CN111008644A - 基于局部动态能量函数fcn-crf模型的生态变化监测方法 - Google Patents

Abstract

本发明属于生态环境变化检测技术领域，公开了一种基于局部动态能量函数FCN‑CRF模型的生态变化监测方法，利用输入的两时相SAR图像，生成均值比差异图和对数比差异图，并且进行数据扩增作为FCN网络的训练和测试数据集；采用FCN网络进行训练，获得二分类类标作为CRF模型的一阶势函数的输入；基于局部动态能量函数的CRF模型，实现动态求解二阶势函数的权重系数，获得最终的变化检测结果。本发明利用了SAR图像的语义变化特征、基于动态能量函数的FCN‑CRF模型可以提取更加丰富的邻域信息，有效提高了SAR图像中变化区域的检测精确，实现有效识别出关键信息，为生态环境变化监测的科学决策提供有力证据支撑。

Description

基于局部动态能量函数FCN-CRF模型的生态变化监测方法

技术领域

本发明属于生态环境变化检测领域，尤其涉及一种基于局部动态能量函数FCN-CRF模型的生态变化监测方法。

背景技术

目前，最接近的现有技术：我国是世界上人口最多的国家，目前水土流失面积达356万平方公里，占国土总面积37.08％，荒漠化土地面积是耕地面积的2倍，每年以2400平方公里的速度扩展，40％的湿地遭到中等或者严重威胁，大气污染、污水等环境安全问题也十分突出，已经严重影响人民群众正常生活和身体健康，生态环境治理和保护刻不容缓。

遥感技术由于连续性、实时性、覆盖广、不受地形地势约束、手段多、信息量大而成为生态环境监测的主要手段之一，近年来，我国遥感技术尤其是高分辨率遥感技术获得了长足的进步。例如高分五号卫星，主要服务于我国环境综合观测对高光谱遥感数据的迫切需求，该卫星的光谱分辨率达到0.5nm，可用于地表精细分类、生态环境监测、生态系统状况及动态变化监测。

遥感生态环境变化检测是指多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据来确定和分析土地、水体、植被等地物的变化，从而监测生态环境变化。合成孔径雷达(SAR)是一种主动式微波成像传感器，与光学遥感和其他微波遥感相比，合成孔径雷达成像技术具有不受光照和气候条件等限制实现全天时、全天候对地观测的特点。因此，SAR图像广泛应用于变化检测领域，可以有效识别出变化区域、范围、类别等关键信息，为科学决策提供有力证据支撑，所以研究SAR图像变化检测具有重要意义。

遥感图像变化检测本质上是一个二分类问题，即将差异图像分为变化类和非变化类。在过去的十几年中，国内外研究学者提出了大量的变化检测方法，随着遥感图像分辨率的不断提高，这些传统的方法，从早期的基于像素逐渐向基于对象过渡。其中，基于像素的方法是对图像逐像素点进行变化分析，该类算法通常需要获取多时相图像的差异图像，通过分割阈值的选择或无监督的聚类操作来确定变化区域。例如Ostu阈值法、K-I最小误差阈值法等；聚类算法有K-means聚类、模糊C均值聚类和谱聚类等等。随着遥感图像的空间分辨率的不断提高，图像中包含了更加复杂的图像组织结构和更加丰富的地物信息，传统的像素级别变化检测方法不再适用于高分辨率图像。因此，为了充分利用图像的空间邻域信息和局部结构特征，对象级别的分析方法通过将图像映射为同质区域从而获得半语义信息成为图像理解和识别的关键技术。2015年，Qiang C等人提出以地理对象作为基本分析单元，依据最小噪声分离变换确定划分阈值来获取变化检测结果，其检测精度显著优于传统的变化检测方法。2017年，Yang G等人提出了一种基于超像素分割和变分高斯混合模型的多时间遥感图像无监督变化检测方法，该方法结合了图像的半语义信息，显著提高了检测性能。但是上述的变化检测方法都存在以下缺点：需要人工构造出浅层特征,这使得最终检测的效果非常依赖于构造的特征的有效性,往往会丢失有效信息并且掺杂虚假信息,并且难以挖掘遥感图像中的深层特征。

由于深度学习的快速发展，有很多研究者尝试使用各类深度学习模型来解决变化检测问题。变化检测的本质是图像的理解和分类，神经网络具有强大的特征学习和表达能力，通过多层网络学习得到图像中的抽象信息和深层特征，可以有效抑制噪声的干扰；同时神经网络模型强大的分类能力能够对图像中变化和非变化区域进行判定，因此，神经网络模型非常适合处理图像变化检测问题。全卷积网络(FCN)是经典的语义分割网络之一，能从抽象的特征中恢复出每个像素所属的类别，实现像素级别的分类，并且保留了原始输入图像的空间信息。

综上所述，现有技术存在的问题是：现有的图像变化检测方法存在需要人工构造出浅层特征，这使得最终检测的效果非常依赖于构造的特征的有效性，往往会丢失有效信息并且掺杂虚假信息，并且难以挖掘遥感图像中的深层特征。

解决上述技术问题的难度：如何有效地提取遥感图像中的语义变化特征以进行分类以及如何抑制噪声对检测的结果的影响以提高检测精度。

解决上述技术问题的意义：将神经网络模型引入变化检测领域，利用神经网络模型可以提取出图像的更深层特征，提高了对图像的解译能力，使得最终的检测结果精度更高，性能更优。

发明内容

针对现有技术存在的问题，本发明提供了一种基于局部动态能量函数FCN-CRF模型的生态变化监测方法。

本发明是这样实现的，一种基于局部动态能量函数FCN-CRF模型的生态变化监测方法，所述基于局部动态能量函数FCN-CRF模型的生态变化监测方法利用输入的两时相SAR图像，生成均值比差异图和对数比差异图，并且进行数据扩增作为FCN网络的训练和测试数据集；采用FCN网络进行训练，获得二分类类标作为CRF模型的一阶势函数的输入；基于局部动态能量函数的CRF模型，实现动态求解二阶势函数的权重系数，获得最终的变化检测结果。

进一步，所述基于局部动态能量函数FCN-CRF模型的生态变化监测方法包括以下步骤：

第一步，输入两幅不同时间相同地区的SAR图像I₁和I₂；

第二步，对I₁和I₂两幅图像分别利用对数比算子和均值比算子，得到对数比值差异图X_l和均值比值差异图X_m，并且对两种差异图像采用非局部均值滤波方法，得到滤波后的差异图像F_l和F_m；

第三步，对未滤波的差异图像X_l和X_m以及滤波后的差异图像F_l和F_m，均采用一些常用的包括图像平移、图像旋转、图像镜像以及图像亮度变化等方法来增加图像数量，获得SAR图像变化检测的训练数据集和测试数据集；

第四步，采用全卷积网络FCN网络进行训练得到网络模型，输入滤波后的差异图像F_l和F_m进行测试，获得二分类类标图像L_f；

第五步，将滤波后的差异图像F_l和F_m以及二分类类标图像L_f作为基于动态能量函数的CRF模型的输入，获得最终变化检测结果；根据CRF的定义，假定观测场Y是一系列随机变量{Y₁,Y₂,...,Y_N}的集合，表示待处理的SAR图像，即二分类类标图像L_f，Y_i为像素点i的向量；标签场X是一系列随机变量{X₁,X₂,...,X_N}的集合，X_i为像素点i的标签，取值范围为L＝{l₁,l₂,...,l_k}，条件随机场(X|Y)可以通过Gibbs分布定义如下：

其中,C为团的集合，每个团c都有一个与之对应的势函数ψ_c(X_c|Y)；与x∈L^N对应的Gibbs能量为：

根据团包含不同数量的变量的不同，将势函数分为一阶势、二阶势，以及高阶势。

进一步，计算差异图像时采用对数比算子与均值比算子，其计算公式分别如下：

其中，μ₁，μ₂分别表示I₁和I₂的局部均值；

对两种差异图像X_l和X_m采用非局部均值滤波方法，计算过程如下：已知一幅图像v＝{v(x),x∈I}，I为图像像素域，在经过非局部均值滤波器处理之后，图像中任意像素点v(x)的灰度估计值为：

其中，权值ω(i,j)表示像素v(i)与v(j)之间的相似程度，其满足条件0≤ω(i,j)≤1且

进一步，采用FCN网络进行训练得到网络模型，输入滤波后的差异图像F_l和F_m进行测试，获得二分类类标图像L_f，按照如下步骤进行：

a)划分训练数据集与测试数据集：

b)网络训练：FCN采用反向传播BP算法对网络进行训练：

在FCN按BP算法进行训练的过程中，包含前向计算和误差反传更新两部分，并将FCN网络的中所有输出层的输出结果与期望输出结果的平方误差定义为目标函数；FCN在进行前向计算之前，首先需要对各项网络权值进行初始化，然后输入训练样本数据进行前向计算，得到输出层的输出。通过前向计算得到FCN网络的输出后，计算目标函数并使用反向传播算法对网络参数进行更新；

c)训练参数设置：

学习率Learning_rate：采用学习率随网络迭代次数递减的方法：初始学习率设置为10^-4，每执行完总训练次数的五分之一，则学习率下降为原来的二分之一；

批次大小Batch_size：设置批次大小为16；

优化器Optimizer：采用Adam优化器，实现网络快速收敛；

迭代次数：设置迭代次数为2万次；

激活函数：采用Relu激活函数，定义如下：

Reluf(x)＝max(0,x)；

d)输入F_l和F_m进行网络测试，获得二分类类标图像L_f。

进一步，所述第五步具体包括：

a)根据二分类类标图像L_f计算得到一阶势函数ψ_u(x_i)：

ψ_u(x_i)＝-ln(P(x_i＝l_k))；

其中，P(x_i＝l_i)为L_f中的像素点i的标签为l_k的类成员的概率；

b)对滤波后的差异图像F_l和F_m进行滑窗，分别计算每次滑窗所覆盖的图像块对应的二阶势函数ψ_L(x_i)和ψ_M(x_i)，二阶势函数的标准计算公式如下：

其中，μ(x_i,x_j)＝[x_i≠x_j]为标签兼容性函数，如果相邻的像素是相似的却被标记为不同标签，对于多类图像分割和标记，使用对比敏感的两核势函数，两核势函数根据颜色向量I_i和I_j以及位置向量p_i和p_j定义如下：

其中，f_i和f_j分别为像素i和像素j的特征向量，w^(m)为每个高斯核对应的权重；

c)计算F_l和F_m中的图像块对应的动态能量系数α和β，采用局部熵值比方法计算动态能量系数，求解公式如下：

其中，p(j)表示图像中灰度值为j的像素点数占总像素点数的比例，H_l和H_m分别表示F_l和F_m中的图像块的熵；

d)构造动态能量函数E_D(x)：

e)语义分割任务旨在确定一个标签y^*，以保证后验概率P(x|Y)达到最大，动态能量E(x)最小，得到最优的分类结果；Q(x)最大限度接近P(x)，通过最小化它们的KL散度得到，最小化过程的迭代步骤为：

本发明的另一目的在于提供一种应用所述基于局部动态能量函数FCN-CRF模型的生态变化监测方法的信息数据处理终端。

综上所述，本发明的优点及积极效果为：本发明主要作用于遥感图像变化检测领域，解决现有的人工构造出浅层特征的变化检测方法难以挖掘遥感图像中的深层特征的技术问题。本发明将变化检测问题转换为二分类的语义分割问题：采用FCN网络提取图像的语义变化特征来进行分类。相较现有的基于像素和基于对象的变化检测方法需要人工构造出浅层特征，使得最终检测的效果非常依赖于构造的特征的有效性，往往会丢失有效信息并且掺杂虚假信息，该过程可以挖掘遥感图像中的深层特征，提高对图像解译能力。

本发明将FCN与CRF联合作用于SAR的变化检测过程中，考虑到FCN是对各个像素分类，没有充分利用像素的邻域信息，缺乏空间一致性，因此本文利用CRF不仅能够对像素本身的信息进行提取，还能够对像素周边的空域信息进行提取，不仅能够获得像素的特征，还获得了像素与像素之间的关系，因此提取到的特征更为全面。使用CRF来优化FCN的分割结果，不仅能够使模型更加轻便灵活，还能够提取到更加丰富的邻域信息，从而获得更加精准的变化检测结果。

本发明为了充分利用两种差异图像之间的优势互补信息，本发明将两种差异图像同时作为模型的输入，并且采用滑窗的形式选取对应图像块计算利用熵值比方法计算其对应权重系数来构造CRF模型的局部动态能量函数，相较于原有的CRF模型，本发明所提出的方法能够充分利用两种差异图像的优势互补信息，获得更高的检测性能。

附图说明

图1是本发明实施例提供的基于局部动态能量函数FCN-CRF模型的生态变化监测方法流程图。

图2是本发明实施例提供的基于局部动态能量函数FCN-CRF模型的生态变化监测方法实现流程图。

图3是本发明实施例提供的全连接网络(FCN)的网络结构图。

图4是本发明实施例提供的对Berne数据集进行变化检测的结果图。

图5是本发明实施例提供的对Ottawa数据集进行变化检测的结果图。

图6是本发明实施例提供的与现有算法PCANET和原始FCN-CRF算法对Berne数据集的变化检测结果图。

图7是本发明实施例提供的与现有算法PCANET和原始FCN-CRF算法对Ottawa数据集的变化检测结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了基于局部动态能量函数FCN-CRF模型的生态变化监测方法，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的基于局部动态能量函数FCN-CRF模型的生态变化监测方法包括以下步骤：

S101：利用输入的两时相SAR图像，生成均值比差异图和对数比差异图，并且进行数据扩增作为FCN网络的训练和测试数据集；

S102：采用FCN网络进行训练，获得二分类类标作为CRF模型的一阶势函数的输入；

S103：基于局部动态能量函数的CRF模型，实现动态求解二阶势函数的权重系数，获得最终的变化检测结果。

下面结合附图对本发明的技术方案作进一步的描述。

如图2所示，本发明实施例提供的基于局部动态能量函数FCN-CRF模型的生态变化监测方法具体包括以下步骤：

步骤1，输入两幅不同时间相同地区的SAR图像I₁和I₂；

步骤2，由I₁和I₂两幅图像获得对数比值差异图X_l和均值比值差异图X_m，并且对两种差异图像采用非局部均值滤波方法，得到滤波后的差异图像F_l和F_m；

2a)采用对数比算子与均值比算子获得对数比值差异图X_l和均值比值差异图X_m，其计算公式分别如下：

其中，μ₁，μ₂分别表示I₁和I₂的局部均值。

2b)两种差异图像X_l和X_m采用非局部均值滤波方法，其计算过程如下：已知一幅图像v＝{v(x),x∈I}，I为图像像素域，在经过非局部均值滤波器处理之后，图像中任意像素点v(x)的灰度估计值为：

其中，权值ω(i,j)表示像素v(i)与v(j)之间的相似程度，其满足条件0≤ω(i,j)≤1且

步骤3，对未滤波的差异图像X_l和X_m以及滤波后的差异图像F_l和F_m，均采用一些常用的包括图像平移、图像旋转、图像镜像以及图像亮度变化等方法来增加图像数量，获得SAR图像变化检测的训练数据集和测试数据集；

步骤4，采用FCN网络进行训练得到网络模型，该网络模型如图3所示，输入滤波后的差异图像F_l和F_m进行测试，获得二分类类标图像L_f；

4a)划分训练数据集与测试数据集；

4b)网络训练：FCN采用反向传播(Backpropagation algorithm，BP)算法对网络进行训练：

在FCN按BP算法进行训练的过程中，包含前向计算和误差反传更新两部分，并将FCN网络的中所有输出层的输出结果与期望输出结果的平方误差定义为目标函数。FCN在进行前向计算之前，首先需要对各项网络权值进行初始化，然后输入训练样本数据进行前向计算，得到输出层的输出。通过前向计算得到FCN网络的输出后，计算目标函数并使用反向传播算法对网络参数进行更新；

4c)训练参数设置：

学习率Learning_rate：本发明采用学习率随网络迭代次数递减的方法：初始学习率设置为10^-4，每执行完总训练次数的五分之一，则学习率下降为原来的二分之一；

批次大小Batch_size：设置批次大小为16；

优化器Optimizer：采用Adam优化器，可实现网络快速收敛；

迭代次数：设置迭代次数为2万次；

激活函数：采用Relu激活函数，可有效避免梯度消失这一问题，其定义如下：

Reluf(x)＝max(0,x)；

4d)输入F_l和F_m进行网络测试，可获得二分类类标图像L_f；

步骤5，将滤波后的差异图像F_l和F_m以及二分类类标图像L_f作为基于动态能量函数的CRF模型的输入，获得最终变化检测结果。

根据CRF的定义，假定观测场Y是一系列随机变量{Y₁,Y₂,...,Y_N}的集合，它表示待处理的SAR图像，即二分类类标图像L_f，Y_i为像素点i的向量；标签场X是一系列随机变量{X₁,X₂,...,X_N}的集合，X_i为像素点i的标签，其取值范围为L＝{l₁,l₂,...,l_k}。那么，条件随机场(X|Y)可以通过Gibbs分布定义如下：

其中,C为团的集合，每个团c都有一个与之对应的势函数ψ_c(X_c|Y)。与x∈L^N对应的Gibbs能量为：

根据团包含不同数量的变量的不同，将势函数分为一阶势、二阶势，以及高阶势。本发明只考虑前两者：一阶势函数和二阶势函数。

4a)根据二分类类标图像L_f计算得到一阶势函数ψ_u(x_i)：

ψ_u(x_i)＝-ln(P(x_i＝l_k))；

其中，P(x_i＝l_i)为L_f中的像素点i的标签为l_k的类成员的概率。

4b)对滤波后的差异图像F_l和F_m进行滑窗，分别计算每次滑窗所覆盖的图像块对应的二阶势函数ψ_L(x_i)和ψ_M(x_i)，二阶势函数的标准计算公式如下：

其中，μ(x_i,x_j)＝[x_i≠x_j]为标签兼容性函数，如果相邻的像素是相似的却被标记为不同标签，它就发挥作用。对于多类图像分割和标记，我们使用对比敏感的两核势函数，这个两核势函数根据颜色向量I_i和I_j以及位置向量p_i和p_j定义如下：

其中，f_i和f_j分别为像素i和像素j的特征向量，w^(m)为每个高斯核对应的权重。

4c)计算F_l和F_m中的图像块对应的动态能量系数α和β，采用局部熵值比方法计算动态能量系数，求解公式如下：

其中，p(j)表示图像中灰度值为j的像素点数占总像素点数的比例。H_l和H_m分别表示F_l和F_m中的图像块的熵。

4d)构造动态能量函数E_D(x)：

4e)语义分割任务旨在确定一个标签y^*，以保证后验概率P(x|Y)达到最大，动态能量E(x)最小，从而得到最优的分类结果。由于直接计算概率函数P(x)比较麻烦，可以通过计算概率函数Q(x)来近似得到P(x)，Q(x)＝Π_iQ_i(X_i)。为了让Q(x)最大限度接近P(x)，可通过最小化它们的KL散度得到，这个最小化过程的迭代步骤为：

下面结合仿真对本发明的技术效果作详细的描述。

1、仿真条件

本发明是在CPU为Intel(R)Core i5-4590、CPU3.30GHz、RAM 8.00GB、Windows 7操作系统的PC上，运用MATLAB R2016a和Pycharm软件完成本发明仿真实验。

2、仿真实验内容

本实验选择了Berne地区和Ottawa地区两个数据集做变化检测结果的验证，Berne数据集图像的分辨率为301×301，Ottawa数据集图像的分辨率为350×290。

仿真1，采用本发明方法对Berne数据集和Ottawa数据集进行变化检测，检测结果如图4、图5所示，其中：

(1)图4(a)表示Berne数据集中的变化前图像；

(2)图4(b)表示Berne数据集中的变化后图像；

(3)图4(c)表示Berne数据集中的标准参考变化图；

(4)图4(d)表示Berne数据集利用本发明得到的变化检测结果图；

(5)图5(a)表示Ottawa数据集中的变化前图像；

(6)图5(b)表示Ottawa数据集中的变化后图像；

(7)图5(c)表示Ottawa数据集中的标准参考变化图；

(8)图5(d)表示Ottawa数据集利用本发明得到的变化检测结果图；

仿真2，采用PCANET算法和原始FCN-CRF算法和本发明方法对Berne数据集和Ottawa数据集进行变化检测，结果如图6、图7所示，其中：

(1)图6(a)表示Berne数据集采用PCANET算法的检测结果；

(2)图6(b)表示Berne数据集采用原始FCN-CRF算法的检测结果；

(3)图6(c)表示Berne数据集采用本发明方法的检测结果；

(4)图7(a)表示Ottawa数据集采用PCANET算法的检测结果；

(5)图7(b)表示Ottawa数据集采用原始FCN-CRF算法的检测结果；

(6)图7(c)表示Ottawa数据集采用本发明方法的检测结果。

3.仿真实验结果及分析

由图4和图5可以看出，本发明方法能有效地将SAR图像中的变化区域检测出来。由图6和图7可以看出，相比于PCANET算法和原始FCN-CRF算法，本发明方法能够有效提高SAR图像中变化区域的检测精确度。综上所述，本发明不仅具有较高的检测精度而且保持了目标几何细节的完整性，显著地提高了SAR图像变化检测的性能，有效识别出变化区域、范围、类别等关键信息，为生态环境监测及相应的科学决策提供有力证据支撑。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于局部动态能量函数FCN-CRF模型的生态变化监测方法，其特征在于，所述局部动态能量函数FCN-CRF模型的生态变化监测方法利用输入的两时相SAR图像，生成均值比差异图和对数比差异图，并且进行数据扩增作为FCN网络的训练和测试数据集；采用FCN网络进行训练，获得二分类类标作为CRF模型的一阶势函数的输入；基于动态能量函数的CRF模型，实现动态求解二阶势函数的权重系数，获得最终的变化检测结果。

2.如权利要求1所述的基于局部动态能量函数FCN-CRF模型的生态变化监测方法，其特征在于，所述基于局部动态能量函数FCN-CRF模型的生态变化监测方法包括以下步骤：

第一步，输入两幅不同时间相同地区的SAR图像I₁和I₂；

第二步，对I₁和I₂两幅图像分别利用对数比算子和均值比算子，得到对数比值差异图X_l和均值比值差异图X_m，并且对两种差异图像采用非局部均值滤波方法，得到滤波后的差异图像F_l和F_m；

第三步，对未滤波的差异图像X_l和X_m以及滤波后的差异图像F_l和F_m，均采用一些常用的包括图像平移、图像旋转、图像镜像以及图像亮度变化等方法来增加图像数量，获得SAR图像变化检测的训练数据集和测试数据集；

第四步，采用全卷积网络FCN网络进行训练得到网络模型，输入滤波后的差异图像F_l和F_m进行测试，获得二分类类标图像L_f；

第五步，将滤波后的差异图像F_l和F_m以及二分类类标图像L_f作为基于局部动态能量函数的CRF模型的输入，获得最终变化检测结果；根据CRF的定义，观测场Y是一系列随机变量{Y₁,Y₂,...,Y_N}的集合，表示待处理的SAR图像，即二分类类标图像L_f，Y_i为像素点i的向量；标签场X是一系列随机变量{X₁,X₂,...,X_N}的集合，X_i为像素点i的标签，取值范围为L＝{l₁,l₂,...,l_k}，条件随机场(X|Y)通过Gibbs分布定义如下：

其中,C为团的集合，每个团c都有一个与之对应的势函数ψ_c(X_c|Y)；与x∈L^N对应的Gibbs能量为：

根据团包含不同数量的变量的不同，将势函数分为一阶势、二阶势，以及高阶势。

3.如权利要求2所述的基于局部动态能量函数FCN-CRF模型的生态变化监测方法，其特征在于，计算差异图像时采用对数比算子与均值比算子，其计算公式分别如下：

其中，μ₁，μ₂分别表示I₁和I₂的局部均值；

对两种差异图像X_l和X_m采用非局部均值滤波方法，计算过程如下：已知一幅图像v＝{v(x),x∈I}，I为图像像素域，在经过非局部均值滤波器处理之后，图像中任意像素点v(x)的灰度估计值为：

其中，权值ω(i,j)表示像素v(i)与v(j)之间的相似程度，其满足条件0≤ω(i,j)≤1且

4.如权利要求2所述的基于局部动态能量函数FCN-CRF模型的生态变化监测方法，其特征在于，采用FCN网络进行训练得到网络模型，输入滤波后的差异图像F_l和F_m进行测试，获得二分类类标图像L_f，按照如下步骤进行：

a)划分训练数据集与测试数据集：

b)网络训练：FCN采用反向传播BP算法对网络进行训练：

在FCN按BP算法进行训练的过程中，包含前向计算和误差反传更新两部分，并将FCN网络的中所有输出层的输出结果与期望输出结果的平方误差定义为目标函数；FCN在进行前向计算之前，首先需要对各项网络权值进行初始化，然后输入训练样本数据进行前向计算，得到输出层的输出；通过前向计算得到FCN网络的输出后，计算目标函数并使用反向传播算法对网络参数进行更新；

c)训练参数设置：

学习率Learning_rate：采用学习率随网络迭代次数递减的方法：初始学习率设置为10^-4，每执行完总训练次数的五分之一，则学习率下降为原来的二分之一；

批次大小Batch_size：设置批次大小为16；

优化器Optimizer：采用Adam优化器，实现网络快速收敛；

迭代次数：设置迭代次数为2万次；

激活函数：采用Relu激活函数，定义如下：

Reluf(x)＝max(0,x)；

d)输入F_l和F_m进行网络测试，获得二分类类标图像L_f。

5.如权利要求2所述的基于局部动态能量函数FCN-CRF模型的生态变化监测方法，其特征在于，所述第五步具体包括：

a)根据二分类类标图像L_f计算得到一阶势函数ψ_u(x_i)：

ψ_u(x_i)＝-ln(P(x_i＝l_k))；

其中，P(x_i＝l_i)为L_f中的像素点i的标签为l_k的类成员的概率；

b)对滤波后的差异图像F_l和F_m进行滑窗，分别计算每次滑窗所覆盖的图像块对应的二阶势函数ψ_L(x_i)和ψ_M(x_i)，二阶势函数的标准计算公式如下：

其中，μ(x_i,x_j)＝[x_i≠x_j]为标签兼容性函数，如果相邻的像素是相似的却被标记为不同标签，对于多类图像分割和标记，使用对比敏感的两核势函数，两核势函数根据颜色向量I_i和I_j以及位置向量p_i和p_j定义如下：

其中，f_i和f_j分别为像素i和像素j的特征向量，w^(m)为每个高斯核对应的权重；

c)计算F_l和F_m中的图像块对应的动态能量系数α和β，采用局部熵值比方法计算动态能量系数，求解公式如下：

其中，p(j)表示图像中灰度值为j的像素点数占总像素点数的比例，H_l和H_m分别表示F_l和F_m中的图像块的熵；

d)构造动态能量函数E_D(x)：

e)语义分割任务旨在确定一个标签y^*，以保证后验概率P(x|Y)达到最大，动态能量E(x)最小，得到最优的分类结果；Q(x)最大限度接近P(x)，通过最小化它们的KL散度得到，最小化过程的迭代步骤为：

6.一种应用权利要求1～5任意一项所述基于局部动态能量函数FCN-CRF模型的生态变化监测方法的信息数据处理终端。

Images