CN105957086A - 一种基于优化神经网络模型的遥感图像变化检测方法 - Google Patents

Abstract

本发明涉及一种基于优化神经网络模型的遥感图像变化检测方法，深度神经网络通常包括三个模型，分别为：堆叠自编码器、深度置信网络、卷积神经网络。本发明使用卷积神经网络(Convolutional Neural Network，CNN)的训练方式，先构造一个改进的CNN模型，称为ACNN；随机挑选很少量的样本点，并人为标定这些样本点的变化检测结果，将这些样本点和标定检测结果作为训练ACNN的训练数据。再使用训练好的ACNN对未分类样本进行变化检测获得最终的变化检测结果。本发明使用有监督的学习方法处理遥感图像变化检测问题，提高了检测精度。

Description

一种基于优化神经网络模型的遥感图像变化检测方法

技术领域

本发明属于优化的神经网络模型，利用这种模型进行遥感图像变化检测的方法，具体涉及一种基于优化神经网络模型的遥感图像变化检测方法。

背景技术

遥感图像变化检测的常用技术是先将两图像进行差分，再将差分图以像素点为单位进行二分类；或者先对图像进行分割，再以分割后的对象作为基本单位对其进行二分类。在现有技术中，提取哪些特征来进行分类，通常由人为设定，往往会导致图像本身含有的许多信息被忽略，使得检测结果不够精确。

CNN是一种深度神经网络，可以在很大程度上解决人为提取特征过程中信息遗漏的问题。但在现有的遥感图像变化检测技术中，尚未使用卷积神经网络算法取得很好的检测结果，因此可以通过一些网络模型改进方法建立新的变化检测方法。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于优化神经网络模型的遥感图像变化检测方法，将一种改进的神经网络技术运用到遥感图像变化检测领域以解决现有技术中检测精确度不高等问题。

技术方案

一种基于优化神经网络模型的遥感图像变化检测方法，其特征在于步骤如下：

步骤1：对不同时刻同一地点获取的两幅待检测遥感图像进行了配准、辐射校正及几何校正处理；对处理后的数据进行特征提取，提取方法是：提取两幅图中以单个像素点作为中心的9*9的图像块组成一个9*9*2的图像块作为原始特征，提取原始特征中1-5％作为训练数据，以对应像素点的实际变化值作为类别标签；

步骤2：在卷积神经网络模型CNN去掉下采样层，而且其中最后一个卷积层不使用激励函数，直接添加逻辑回归分类器，其它卷积层激励函数使用校正线性单元ReLu，构造一种ACNN模型；

步骤3、对ACNN模型进行训练：对每个ACNN中的卷积核的参数进行调整，训练时以平方和函数作为代价函数，使用BP算法修改卷积核和偏置等网络参数；所有训练样本依次使用一遍之后，称为完成了一轮训练；每一轮训练完毕后，随机选取适量的非训练样本作为验证集；每次训练需计算验证集结果的误差；当验证集结果的误差由逐渐变小的趋势变为逐渐变大的趋势时，代表模型的泛化能力减弱，训练终止；

步骤4：将图像的所有原始特征输入训练好的ACNN模型中对待测样本进行分类检测，得到最终变化检测结果图。

有益效果

本发明提出的一种基于优化神经网络模型的遥感图像变化检测方法，深度神经网络通常包括三个模型，分别为：堆叠自编码器、深度置信网络、卷积神经网络。本发明使用卷积神经网络(Convolutional Neural Network，CNN)的训练方式，先构造一个改进的CNN模型，称为ACNN；随机挑选很少量的样本点，并人为标定这些样本点的变化检测结果，将这些样本点和标定检测结果作为训练ACNN的训练数据。再使用训练好的ACNN对未分类样本进行变化检测获得最终的变化检测结果。

本发明使用有监督的学习方法处理遥感图像变化检测问题，提高了检测精度。

附图说明

图1是本发明提出的基于ACNN检测网络组成结构框图

图2是本发明提出的检测方法流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明的一种实施方式具体步骤如下：

步骤1、选取训练样本

设时刻t₁,t₂为两个不同时刻，利用同一遥感传感器在同一波段上对同一地点分别获取在t₁,t₂时刻的两幅遥感图像。且将已经过配准和辐射校正及几何校正的两幅图像记作：“X₁,X₂”。

设X₁,X₂的长均为p个像素，宽均为q个像素，对两幅图像的每个坐标点(i,j)，其中分别提取两幅图像中以此坐标点为中心的一个n*n邻域作为一对相对应的图像块，例如9*9的像素，将这两个n*n的图像块堆叠在一起形成一个n*n*2的图像块，作为一个样本Tr(i,j)的原始特征，真实变化检测结果图中坐标点(i,j)的像素值作为这个样本的教师信号。

随机提取总样本数量的一小部分，例如1％-5％作为训练样本集。再随机提取总样本数量的另一小部分，例如1％作为验证样本集，其余样本作为测试样本集。

步骤2、构建ACNN模型网络结构

普通的CNN由多个卷积层和池化层(即pooling层)组成，在本模型中对CNN进行了改进，仅仅使用了卷积层。卷积层是通过不同的卷积核对每层输入进行卷积操作，对于不同的卷积核，输入图像的响应强度会不同。在卷积结束后再经过激励函数就可得到下一层的输入。本发明中采用激励函数是：校正线性单元(Rectified LinearUnits，ReLu)，它的数学表达式为f(x)＝max(0,x)。

构造ACNN模型，其每层的激励函数为ReLu，最后一个卷积层不使用激励函数。在本实施例中，CNN的卷积层个数为5，每一层卷积层卷积核大小为3*3，随着层数的递增，卷积核数量为先递增后递减，每层最多不超过100个卷积核。

在最后一个卷积层后添加一个逻辑回归分类器用于对图像分类。

步骤3、对网络进行训练

将训练样本集的原始特征送入ACNN依据逻辑回归分类器的输出对图像进行分类，计算网络分类结果与训练样本集教师信号的误差，使用反向传播算法对模型进行训练，对逻辑回归模型以及卷积核和偏置进行调整。由于训练样本量较大，采用分块进行训练，每一块称作一个batch。计算误差时，定义代价函数c为平方和函数：其中，m表示batch的大小，一般取20-100个图像块对，t_i表示第i个图像块对相应的教师信号，z_i表示经网络运算后输出第i个图像块对的检测结果值。

使用误差的反向传播算法对ACNN模型进行训练，计算代价函数c对权值W1、卷积核W2及偏置b的偏导数，然后对权值、卷积核和偏置进行调整： 其中η为学习率，在本实施例中η＝0.01。

步骤4、选取验证集进行验证

使用步骤1提取的验证集对训练结果进行验证，需要注意的是，在网络训练完成前，验证集不会改变，并且要求验证集与训练集的样本不重合。验证集的作用是为了防止训练过拟合的情况。在每一次训练完成后，可求得验证集样本的误差。

步骤5、判断终止条件

由于训练样本集的误差会随着迭代次数的增加而逐渐减小，验证样本集的误差会先减小后增大，在本发明中，选取训练终止条件为：当验证集的误差开始从由逐渐减小变成逐渐增大时，认为整个网络已经开始过拟合，此时即可停止训练；否则返回步骤3。通常迭代次数在800次以内。

步骤6、分类

训练终止后，就可以利用训练好的ACNN的检测网络对待测样本进行分类检测，得到最终变化检测结果图。

Claims (1)

1.一种基于优化神经网络模型的遥感图像变化检测方法，其特征在于步骤如下：

步骤1：对不同时刻同一地点获取的两幅待检测遥感图像进行了配准、辐射校正及几何校正处理；对处理后的数据进行特征提取，提取方法是：提取两幅图中以单个像素点作为中心的9*9的图像块组成一个9*9*2的图像块作为原始特征，提取原始特征中1-5％作为训练数据，以对应像素点的实际变化值作为类别标签；

步骤2：在卷积神经网络模型CNN去掉下采样层，而且其中最后一个卷积层不使用激励函数，直接添加逻辑回归分类器，其它卷积层激励函数使用校正线性单元ReLu，构造一种ACNN模型；

步骤3、对ACNN模型进行训练：对每个ACNN中的卷积核的参数进行调整，训练时以平方和函数作为代价函数，使用BP算法修改卷积核和偏置等网络参数；所有训练样本依次使用一遍之后，称为完成了一轮训练；每一轮训练完毕后，随机选取适量的非训练样本作为验证集；每次训练需计算验证集结果的误差；当验证集结果的误差由逐渐变小的趋势变为逐渐变大的趋势时，代表模型的泛化能力减弱，训练终止；

步骤4：将图像的所有原始特征输入训练好的ACNN模型中对待测样本进行分类检测，得到最终变化检测结果图。