1.一种基于熵驱动特征增强的图像区域分析方法，其特征在于，包括如下步骤：步骤1、数据采集：采集多源图像数据作为输入样本，并执行预处理操作；

步骤2、特征提取与表征：采用深度卷积神经网络或变换网络结构对预处理后的图像进行特征提取，获得多层特征图，实现图像的层级特征表示；

步骤3、构建基于熵驱动的特征自适应增强模块，通过计算多尺度特征熵分布，生成熵权重掩膜，强化高熵判别性特征，抑制低熵冗余特征，提升特征层判别能力与语义代表性；

步骤4、构建熵聚焦跨空间注意力模块，通过结合熵权重与多尺度特征交互，在空间维度进行基于熵先验的注意力分配，关注信息量显著区域，增强真实语义区域的一致性感知与鲁棒表征；

所述熵聚焦跨空间注意力模块，以局部熵先验为特征层面引导信号，将特征熵值嵌入注意力权重生成与门控计算过程，融合深层语义特征，定位关键区域中的判别性特征，方法如下：步骤4.1、输入经过去噪和基于信息熵加权后的双时相特征图，进行池化处理，对每一时相特征分别进行最大池化和平均池化操作，在高熵局部区域与整体空间分布之间取得平衡；

步骤4.2、将双时相的最大池化特征与平均池化特征拼接，得到四通道的张量：；

其中， 分别表示双时相的最大池化结果和平均池化结果，为拼接后的四通道特征图， 为特征拼接函数；

步骤4.3、在拼接后的四通道特征图上施加一个卷积操作，捕捉邻域特征的相关性：；

其中， 为 的卷积核，表示卷积运算， 为卷积结果；

步骤4.4、通过Sigmoid函数对卷积结果进行非线性变换，生成空间注意力权重图，表示空间位置的重要程度：；

其中， 和 表示图像的高度和宽度， 为Sigmoid函数， 为空间注意力权重图，范围在0到1之间；

步骤4.5、将空间注意力权重图与原始熵加权特征逐元素相乘，实现对图像空间特征的自适应加权；

步骤5、通过图像变换检测系统输出黑白二值预测图，进行图像区域分析，黑色表示未识别到变化的区域，白色表示识别到变化的区域。

2.根据权利要求1所述的基于熵驱动特征增强的图像区域分析方法，其特征在于，所述多源图像数据包括：遥感影像、医学图像及自然场景图像数据；

针对不同类型图像数据执行统一预处理操作，包括：归一化与尺寸标准化、通道对齐与色彩空间转换。

3.根据权利要求1所述的基于熵驱动特征增强的图像区域分析方法，其特征在于，步骤

2所述多层特征图中，低层特征图包含纹理、边缘、亮度局部细节信息，高层特征图包含语义结构与空间上下文信息。

4.根据权利要求1所述的基于熵驱动特征增强的图像区域分析方法，其特征在于，步骤

3所述基于熵驱动的特征自适应增强模块，通过计算图像数据的通道信息熵，量化图像特征的信息密度分布，方法如下：对各通道特征值进行min‑max归一化处理，线性映射至统一数值区间，公式为：；

其中，为输入的原始特征图， 为特征图 中每个通道的最小值， 为特征图 中每个通道的最大值，为平滑项， 为归一化后的特征值输出；

将特征图 的空间维度展平为一维向量，通过量化各特征值出现的频率评估特征区域的信息不确定性及复杂度，概率估计公式为：；

其中， 表示特征矩阵中第 个位置的概率， 是展平的特征矩阵在处的取值， 和 表示图像的高度和宽度；

计算通道信息熵值，公式为：

；

其中， 表示第 通道的熵，为平滑常数项，为尺度不变熵权重，用于消除特征图尺寸变化对熵值计算的影响。

5.根据权利要求4所述的基于熵驱动特征增强的图像区域分析方法，其特征在于，所述熵值越高，对应通道信息不确定性越大，细节与变异信息越丰富；所述熵值越低，对应通道特征分布越均匀，信息冗余度越高，包含特征模式越单一；

基于计算的各通道熵值，量化不同通道所包含信息的复杂度，对特征图进行自适应加权，方法如下：；

其中， 为加权后的特征值；

将归一化后的熵值作为显著性权重与原始特征图相乘，对低熵平坦区域的判别性特征进行强化，对高熵复杂区域的冗余背景干扰进行抑制，突出关键区域。

6.根据权利要求1所述的基于熵驱动特征增强的图像区域分析方法，其特征在于，步骤

4.1中，所述最大池化用于保留局部区域中的显著响应，突出高熵区域的显著性；所述平均池化用于提取全局统计特征，反映整体信息分布；

所述池化处理还包括：统计直方图池化、 范数池化，用于增强特征表达多样性。

7.根据权利要求1所述的基于熵驱动特征增强的图像区域分析方法，其特征在于，步骤

4.3中，所述卷积核 大小为7×7或3×3或5×5，或采用空洞卷积。

8.根据权利要求1所述的基于熵驱动特征增强的图像区域分析方法，其特征在于，所述步骤4.4中，通过Softmax函数替换Sigmoid函数，对空间位置进行归一化权重分配。

9.根据权利要求1所述的基于熵驱动特征增强的图像区域分析方法，其特征在于，步骤

5所述图像变换检测系统，处理如下：

步骤5.1、输入双时相图片数据，采用EfficientNet‑V2‑S前四个阶段构建双分支孪生网络，通过解码器分别提取双时相图片特征；

步骤5.2、将双时相图片特征输入所述基于熵驱动的特征自适应增强模块，计算多尺度特征熵值，增强与真实变化相关的判别性特征，抑制伪变化对应的特征干扰；

步骤5.3、通过所述熵聚焦跨空间注意力模块区分物体边缘与形态变化特征；

步骤5.4、将特征图输入统一融合与精炼模块，进行插值处理：主分支依次通过第一卷积层、SiLU激活层和批归一化层，再经过第二卷积层和批归一化层处理，输出预测图；

跳跃分支采用1×1卷积进行通道压缩与融合；

跳跃分支与主支输出相加，生成多尺度融合特征图。