CN105957086B - 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
一种基于优化神经网络模型的遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN105957086B CN105957086B CN201610301344.5A CN201610301344A CN105957086B CN 105957086 B CN105957086 B CN 105957086B CN 201610301344 A CN201610301344 A CN 201610301344A CN 105957086 B CN105957086 B CN 105957086B
- Authority
- CN
- China
- Prior art keywords
- training
- remote sensing
- neural network
- model
- acnn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
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
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：提取两幅图像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，提取所有原始特征中1-5％作为训练样本，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去掉全部下采样层，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；每一轮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：将测试样本集对应的原始特征输入训练好的ACNN模型中对测试样本集进行分类检测，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 Linear Units，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，ti表示第i个图像块对相应的教师信号，zi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：提取两幅图像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，提取所有原始特征中1-5％作为训练样本，以对应像素点的实际变化值作为类别标签；
步骤2：将卷积神经网络模型CNN去掉全部下采样层，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，构造一种改进的CNN模型；
步骤3、对改进的CNN模型进行训练：对每个改进的CNN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；每一轮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：将测试样本集对应的原始特征输入训练好的改进的CNN模型中对测试样本集进行分类检测，得到最终变化检测结果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610301344.5A CN105957086B (zh) | 2016-05-09 | 2016-05-09 | 一种基于优化神经网络模型的遥感图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610301344.5A CN105957086B (zh) | 2016-05-09 | 2016-05-09 | 一种基于优化神经网络模型的遥感图像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105957086A CN105957086A (zh) | 2016-09-21 |
| CN105957086B true CN105957086B (zh) | 2019-03-26 |
Family
ID=56915153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610301344.5A Active CN105957086B (zh) | 2016-05-09 | 2016-05-09 | 一种基于优化神经网络模型的遥感图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105957086B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009560B (zh) * | 2016-11-02 | 2021-05-11 | 广州图普网络科技有限公司 | 商品图像相似类别判定方法及装置 |
| CN106910188B (zh) * | 2017-02-16 | 2020-07-31 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像中机场跑道的检测方法 |
| CN107730488A (zh) * | 2017-09-21 | 2018-02-23 | 滨州学院 | 一种利用无人机低空遥感图像自动检测罂粟种植的方法 |
| CN107945195B (zh) * | 2017-11-10 | 2019-10-25 | 西安电子科技大学 | 基于轮廓波集成dbn的极化sar图像变化检测方法 |
| CN108257154B (zh) * | 2018-01-12 | 2021-10-29 | 西安电子科技大学 | 基于区域信息和cnn的极化sar图像变化检测方法 |
| CN108304921B (zh) * | 2018-02-09 | 2021-02-02 | 北京市商汤科技开发有限公司 | 卷积神经网络的训练方法及图像处理方法、装置 |
| CN108805863B (zh) * | 2018-05-02 | 2022-02-22 | 南京工程学院 | 深度卷积神经网络结合形态学检测图像变化的方法 |
| CN108830172A (zh) * | 2018-05-24 | 2018-11-16 | 天津大学 | 基于深度残差网络与sv编码的飞机遥感图像检测方法 |
| CN108921022A (zh) | 2018-05-30 | 2018-11-30 | 腾讯科技（深圳）有限公司 | 一种人体属性识别方法、装置、设备及介质 |
| CN109949296A (zh) * | 2019-03-21 | 2019-06-28 | 北京中飞艾维航空科技有限公司 | 一种输电线路缺陷识别方法、装置及存储介质 |
| CN110070513B (zh) * | 2019-04-30 | 2021-10-01 | 上海同繁勘测工程科技有限公司 | 遥感影像的辐射校正方法及系统 |
| CN110401978B (zh) * | 2019-07-19 | 2020-10-09 | 中国电子科技集团公司第五十四研究所 | 基于神经网络和粒子滤波多源融合的室内定位方法 |
| CN111027508B (zh) * | 2019-12-23 | 2022-09-06 | 电子科技大学 | 一种基于深层神经网络的遥感图像覆被变化检测方法 |
| CN111222453B (zh) * | 2020-01-03 | 2022-06-14 | 武汉大学 | 基于密集连接和几何结构约束的遥感影像变化检测方法 |
| CN111652038B (zh) * | 2020-04-13 | 2023-03-03 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
| CN111611931B (zh) * | 2020-05-22 | 2024-04-09 | 哈尔滨工业大学（深圳） | 一种传感仪器响应衰减分析方法、装置及终端 |
| CN112017986A (zh) * | 2020-10-21 | 2020-12-01 | 季华实验室 | 半导体产品缺陷检测方法、装置、电子设备及存储介质 |
| CN113920421B (zh) * | 2021-07-03 | 2023-06-27 | 桂林理工大学 | 一种快速分类的全卷积神经网络模型 |
| CN113959071B (zh) * | 2021-07-21 | 2023-05-26 | 北京金茂绿建科技有限公司 | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345742B (zh) * | 2013-06-18 | 2016-01-06 | 西北工业大学 | 基于一种改进马尔可夫随机场模型的遥感图像变化的检测方法 |
| US10095917B2 (en) * | 2013-11-04 | 2018-10-09 | Facebook, Inc. | Systems and methods for facial representation |
| CN103810699B (zh) * | 2013-12-24 | 2017-01-11 | 西安电子科技大学 | 基于无监督深度神经网络的sar图像变化检测方法 |
| CN104102919B (zh) * | 2014-07-14 | 2017-05-24 | 同济大学 | 一种有效防止卷积神经网络过拟合的图像分类方法 |
| CN104091340A (zh) * | 2014-07-18 | 2014-10-08 | 厦门美图之家科技有限公司 | 一种模糊图像的快速检测方法 |
| CN104392442A (zh) * | 2014-11-18 | 2015-03-04 | 西北工业大学 | 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法 |
| CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
| CN105320961A (zh) * | 2015-10-16 | 2016-02-10 | 重庆邮电大学 | 基于卷积神经网络和支持向量机的手写数字识别方法 |
| CN105320965B (zh) * | 2015-10-23 | 2018-11-30 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
-
2016
- 2016-05-09 CN CN201610301344.5A patent/CN105957086B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105957086A (zh) | 2016-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105957086B (zh) | 一种基于优化神经网络模型的遥感图像变化检测方法 | |
| CN106023154B (zh) | 基于双通道卷积神经网络的多时相sar图像变化检测方法 | |
| CN111739075B (zh) | 一种结合多尺度注意力的深层网络肺部纹理识别方法 | |
| CN109816725B (zh) | 一种基于深度学习的单目相机物体位姿估计方法及装置 | |
| CN110675370A (zh) | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 | |
| CN105678284B (zh) | 一种固定位人体行为分析方法 | |
| CN107665355B (zh) | 一种基于区域卷积神经网络的农业害虫检测方法 | |
| CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
| CN107145908A (zh) | 一种基于r‑fcn的小目标检测方法 | |
| CN109886066A (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
| CN106097322A (zh) | 一种基于神经网络的视觉系统标定方法 | |
| CN109583456B (zh) | 基于特征融合和稠密连接的红外面目标检测方法 | |
| CN108596274A (zh) | 基于卷积神经网络的图像分类方法 | |
| CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
| CN104484658A (zh) | 一种基于多通道卷积神经网络的人脸性别识别方法及装置 | |
| CN109740483A (zh) | 一种基于深层神经网络的水稻生长期检测方法 | |
| CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
| CN107622276B (zh) | 一种基于机器人仿真与物理采样结合的深度学习训练方法 | |
| CN104463243B (zh) | 基于平均脸特征的性别检测方法 | |
| CN108875819B (zh) | 一种基于长短期记忆网络的物体和部件联合检测方法 | |
| CN109685030A (zh) | 一种基于卷积神经网络的马克杯杯口缺陷检测分类方法 | |
| CN107341440A (zh) | 基于多任务度量多核学习的室内rgb‑d场景图像识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200313 Address after: 400021 2403, 24 / F, No.11, seventh branch road, Panxi, Jiangbei District, Chongqing Patentee after: Chongqing Commercial Service Technology Co.,Ltd. Address before: 710072 Xi'an friendship West Road, Shaanxi, No. 127 Patentee before: Northwestern Polytechnical University |
|
| TR01 | Transfer of patent right |