CN112084837A - 一种基于深度网络的遥感影像变化检测方法及系统 - Google Patents

一种基于深度网络的遥感影像变化检测方法及系统 Download PDF

Info

Publication number
CN112084837A
CN112084837A CN202010669071.6A CN202010669071A CN112084837A CN 112084837 A CN112084837 A CN 112084837A CN 202010669071 A CN202010669071 A CN 202010669071A CN 112084837 A CN112084837 A CN 112084837A
Authority
CN
China
Prior art keywords
remote sensing
network
sensing image
pixels
detection
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.)
Pending
Application number
CN202010669071.6A
Other languages
English (en)
Inventor
张涛
刘子阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Research Center Of Digital City Engineering
Jiangnan University
Original Assignee
Shenzhen Research Center Of Digital City Engineering
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Research Center Of Digital City Engineering, Jiangnan University filed Critical Shenzhen Research Center Of Digital City Engineering
Priority to CN202010669071.6A priority Critical patent/CN112084837A/zh
Publication of CN112084837A publication Critical patent/CN112084837A/zh
Priority to CN202110646349.2A priority patent/CN113640397B/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/62—Detectors specially adapted therefor
    • G01N30/74—Optical detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G01N2030/062—Preparation extracting sample from raw material
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度网络的遥感影像变化检测方法及系统，包括，输入模块包括两个对称的深度网络用于投影双时相图像的输入数据；检测模块用于结合慢特征分析策略抑制投影后无变化像素并突出显示变化像素，基于变化向量检测策略选择高置信度的所述无变化像素作为训练样本，利用三层全连接网络策略构建检测模型，输入所述训练样本进行训练；输出模块用于所述模型基于卡方距离计算所述训练样本的变化强度，并输出检测结果。本发明与其他检测方法的对比结果可看出，我们提出的检测方法在各项评测标准上总体表现是最好的，并且具有很好的可分辨性和较高的鲁棒性。

Description

一种基于深度网络的遥感影像变化检测方法及系统
技术领域
本发明涉及图像处理和神经网络技术领域，尤其涉及一种基于神经网络的遥感影像变换检测方法。
背景技术
近年来，变化检测算法主要分为以下几类：(1)图像代数方法，主要包括图像差分、图像比值、图像回归和变化向量分析。这些方法直接计算多时相遥感图像之间的差异；(2)图像变换方法，变换组合多时相遥感图像的特征带，提取其有效特征，主要包括PCA，MAD、GrammSchmidt变换(GS)和独立成分分析；(3)其他先进的方法如基于小波变换、局部渐进下降、马尔可夫随机场等算法。但这些方法面对数据规模不断增大、精度要求不断变高的现状时，已经不能满足实际需求。
在各种变化检测算法中，图像变换方法的研究和应用最为广泛，图像变换的基本思想是将原始的多波段图像投影到一个新的特征空间中，以更好地分离改变和未发生改变的像素，在这个过程中，最关键的是要找到一种高效的投影算法用来提取某些确定的特征。多时相遥感图像中变化像素的特征差异总是向不同方向变化的，而不变像素的特征一般是不变的。然而，由于自然环境和传感器校准等因素的影响，一些不变的像素会产生微小的差异，与发生变化的像素相比，未发生改变的像素通常具有一致的方向。通过最小化不变像素的特征变化来突出显示和分离变化的像素。受此启发，人们提出慢特征分析来检测遥感影像发生的变化，并且取得了不错的效果。
慢特征分析是一种特征学习算法，它从输入信号中提取不变和缓慢变化的特征，它已成功地应用于解决各种现实问题，如人类行为识别、动态纹理识别和时间序列分析等。在变化检测问题中，变化像素和不变像素分别对应于慢特征分析中的快变化特征和慢变化特征。基于这一理论，有的学者使用慢特征分析来抑制缓慢变化的不变像素之间的光谱差异，以便能够突出显示和很好地检测变化的像素，通过求解慢特征分析问题，可以得到映射原始数据的投影矩阵，从而抑制未改变的分量。所有这些算法在实际遥感图像中都表现出了良好的性能。然而，受特征表示能力的限制，线性慢特征分析算法有时无法分离变化和不变的像素，可通过包括将原始特征投影到高维复杂特征空间，以提高模型的复杂性和特征表示能力的方法解决。
深度网络具有很强的非线性函数表示能力，可以将原始特征投影到更复杂的特征空间，由于数据和计算资源的不断增加，深度神经网络近年来得到广泛应用。为了完成分类、检测、分割、特征映射等不同的任务，人们开发了多种网络。近年来，深度网络也被应用于学习高度相关数据集的非线性变换，并取得了很好的效果。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在面对数据规模不断增大、精度要求不断变高时，不能满足实际需求的问题，提出了本发明。
因此，本发明解决的技术问题是：根据现有技术不足，提供一种遥感影像变化检测方法，对大量的双时相遥感图像进行变换检测，取得了很好的检测效果。
为解决上述技术问题，本发明提供如下技术方案：利用两个对称的深度网络投影双时遥感图像的输入数据；结合慢特征分析策略抑制投影后无变化像素并突出显示变化像素；基于变化向量检测策略选择高置信度的所述无变化像素作为训练样本；利用三层全连接网络策略构建检测模型，输入所述训练样本进行训练；所述模型基于卡方距离计算所述训练样本的变化强度，并输出检测结果。
作为本发明所述的一种基于深度网络的遥感影像变化检测方法的一种优选方案，其中：所述深度网络包括，三层全连接网络，每层节点数分别为128、128、10。
作为本发明所述的一种基于深度网络的遥感影像变化检测方法的一种优选方案，其中：对所述双时遥感图像的输入数据投影包括,
定义双时遥感图像为图像X和图像Y，X,Y∈Rm*n，对于图像X其第一个隐藏层的输出如下，
Figure BDA0002581621540000021
其中，m：特征带，n：像素的数目，
Figure BDA0002581621540000031
权重矩阵，
Figure BDA0002581621540000032
偏置向量，s(·)表示激活函数，pi表示网络的第i隐藏层的节点数，q表示输出层的节点数；
一个有h层隐藏层的网络，其最终的输出如下，
Figure BDA0002581621540000033
Figure BDA0002581621540000034
由输出层映射，网络的最终转换特征如下，
Figure BDA0002581621540000035
则图像Y，其Yφ表示对称的表达式如下，
Figure BDA0002581621540000036
作为本发明所述的一种基于深度网络的遥感影像变化检测方法的一种优选方案，其中：所述慢性特征分析策略包括，定义慢特征分析的目标函数如下，
Figure BDA0002581621540000037
其中，xi,yi∈Rm：双时相遥感图像中的对应像素，m:频带数，n:像素总数。
作为本发明所述的一种基于深度网络的遥感影像变化检测方法的一种优选方案，其中：抑制所述无变化像素，突出所述变化像素，包括，
令
Figure BDA0002581621540000038
其中O是一个q*q的全1矩阵，计算变化后数据的协方差矩阵；
Figure BDA0002581621540000039
其中，I：恒等式矩阵，r:正则化常数；
当r>0时，∑XX和∑YY既是正定矩阵又是可逆矩阵，则
AφW＝BφWΛ
即：
Figure BDA00025816215400000310
其中Aφ＝∑XY，
Figure BDA00025816215400000311
则最终求解特征值的表达式如下，
Figure BDA0002581621540000041
作为本发明所述的一种基于深度网络的遥感影像变化检测方法的一种优选方案，其中：选择所述训练样本包括，采用CVA和K-Means策略得到输入多时相图像的差分图和二值变化图；从所述未改变区域中随机选择所述训练样本。
作为本发明所述的一种基于深度网络的遥感影像变化检测方法的一种优选方案，其中：构建所述检测模型包括，三层全连接网络，每层节点数分别为128、128、10；定义学习率为10-5并输入所述训练样本进行训练；迭代训练2000轮，直至获得所述双时相遥感图像投影时结束训练。
作为本发明所述的一种基于深度网络的遥感影像变化检测方法的一种优选方案，其中：所述卡方距离计算变化强度，其公式为：
Figure BDA0002581621540000042
其中，n：特征带数，σ2：统计分析得到的各特征带的方差。
作为本发明所述的一种基于深度网络的遥感影像变化检测方法的一种优选方案，其中：计算映射特征之间的差异包括，原始数据利用所述深度网络得到变换后的特征Xφ和Yφ；求解所述特征值得到投影矩阵wφ，则计算所述映射特征之间的差异如下，
Figure BDA0002581621540000043
作为本发明所述的一种基于深度网络的遥感影像变化检测系统的一种优选方案，其中：输入模块包括两个对称的深度网络用于投影双时相图像的输入数据；检测模块连接于输入模块用于结合慢特征分析策略抑制投影后无变化像素并突出显示变化像素，基于变化向量检测策略选择高置信度的所述无变化像素作为训练样本，利用三层全连接网络策略构建检测模型，输入所述训练样本进行训练；输出模块连接于检测模块用于所述模型基于卡方距离计算所述训练样本的变化强度，并输出检测结果。
本发明的有益效果：现有技术面对数据规模不断增大、精度要求不断变高时，不能满足实际需求的问题，本发明根据现有技术不足，提供一种遥感影像变化检测方法，对大量的双时相遥感图像进行变换检测，并取得了很好的检测效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供一种基于深度网络的遥感影像变化检测方法的基本流程图；
图2为本发明提供一种基于深度网络的遥感影像变化检测方法的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图2，为本发明的第一个实施例，本发明的第一个实施例提供了一种基于深度网络的遥感影像变化检测方法，包括，
S1：利用两个对称的深度网络投影双时遥感图像的输入数据。其中需要说明的是所述深度网络包括，三层全连接网络，每层节点数分别为128、128、10。
其中两个对称的深度网络对双时遥感图像的输入数据投影的过程为,
定义双时遥感图像为图像X和图像Y，X,Y∈Rm*n，对于图像X其第一个隐藏层的输出如下，
Figure BDA0002581621540000061
其中，m：特征带，n：像素的数目，
Figure BDA0002581621540000062
权重矩阵，
Figure BDA0002581621540000063
偏置向量，s(·)表示激活函数，pi表示网络的第i隐藏层的节点数，q表示输出层的节点数；
一个有h层隐藏层的网络，其最终的输出如下，
Figure BDA0002581621540000064
Figure BDA0002581621540000065
由输出层映射，网络的最终转换特征如下，
Figure BDA0002581621540000066
则图像Y，其Yφ表示对称的表达式如下，
Figure BDA0002581621540000067
S2：结合慢特征分析策略抑制投影后无变化像素并突出显示变化像素。需要说明的是慢特征分析的目标被定义为：
Figure BDA0002581621540000068
其中，xi,yi∈Rm：双时相遥感图像中的对应像素，m:频带数，n:像素总数.
进一步的，用所述慢特征分析方法抑制无变化像素，突出变化像素，其过程是，
令
Figure BDA0002581621540000071
其中O是一个q*q的全1矩阵，计算变化后数据的协方差矩阵，
Figure BDA0002581621540000072
其中，I：恒等式矩阵，r:正则化常数；
当r>0时，∑XX和∑YY既是正定矩阵又是可逆矩阵，要求解的广义特征值问题为:
AφW＝BφWΛ
即：
Figure BDA0002581621540000073
其中Aφ＝∑XY，
Figure BDA0002581621540000074
求解特征值问题最终形式表示为：
Figure BDA0002581621540000075
其中需要说明的是慢特征分析检测变化推理如下，
给定多维时间信号s(t)＝[s1(t),s2(t),…,sn(t)]，n代表维度，t∈[t0,t1]，慢特征分析的目标是找到一组转换函数[f1(x),f2(x),…,fN(x)]来产生输出信号o(t)＝[f1(s),f2(s),…,fN(s)]确保变换后的信号尽可能具有时间不变性.数学上慢特征分析的目标函数是：
Figure BDA0002581621540000076
在下面的条件下：
(fj(s))t＝0 (1)
(fj(s)2)t＝1 (2)
Figure BDA0002581621540000077
其中，(fj(s))t表示时间t上fj(s)的平均信号，
Figure BDA0002581621540000081
是fj(s)的一阶导数。因此，慢特征分析的目标是使变换信号一阶导数的平均值最小。在这些条件中，条件(1)是为了简化优化问题的求解过程，条件(2)确保每个输出信号可以包含某些信息，条件(3)来消除输出信号之间的相关性，并强制每个信号携带不同类型的信息。
在线性情况下，转换函数可以表示为映射矩阵：
Figure BDA0002581621540000082
其中
Figure BDA0002581621540000083
是ωj的转置.目标函数和约束条件可以重新表述如下：
Figure BDA0002581621540000084
Figure BDA0002581621540000085
Figure BDA0002581621540000086
Figure BDA0002581621540000087
其中
Figure BDA0002581621540000088
是输入信号的一阶导数的协方差矩阵的期望值，(4)表示条件(1)可以通过预处理输入数据来实现，(4)和(5)分别表示条件(2)和(3)，B＝(ssT)t是原始输入信号协方差矩阵的期望值。
其中(6)可以优化并用广义特征值表示：
AW＝BWΛ (7)
其中W和Λ分别是广义特征向量矩阵和特征值对角矩阵。根据公式(7)，输出信号的最不变分量具有最小的特征值。
在基于像素的变化检测问题中，输入信号是离散的遥感图像的原始像素，因此，需要重建慢特征分析来处理离散情况。慢特征分析在变化检测问题中的目标是抑制不变的像素以突出显示变化的像素，以便它们可以更容易地分离。让xi,yi∈Rm表示双时相遥感图像中的对应像素，其中m是频带数。在对输入数据进行规范化之后，慢特征分析的目标被重新定义为：
Figure BDA0002581621540000089
其中n是像素总数。在慢特征分析的广义特征值问题中，(7)中的A和B重新表述如下：
Figure BDA0002581621540000091
Figure BDA0002581621540000092
得到A和B后，求解特征向量矩阵W。通过规范化W，得到最终的映射矩阵，
Figure BDA0002581621540000093
然后，变化检测结果，即转换的双时相图像之间的差异，计算为:
Figure BDA0002581621540000094
进一步的，整个过程推理如下：
假设原始的双时相遥感图像分别是X,Y∈Rm*n，其中m和n分别表示特征带和像素的数目。设pi表示网络的第i隐藏层的节点数，q表示输出层的节点数，给定一个图像X，第一个隐藏层的输出可以表示为：
Figure BDA0002581621540000095
其中，
Figure BDA0002581621540000096
表示权重矩阵，
Figure BDA0002581621540000097
表示偏置向量，s(·)表示激活函数，后面每一层的输出也是用同样的方式计算。对于一个有h层隐藏层的网络，其最终的输出是：
Figure BDA0002581621540000098
之后，
Figure BDA0002581621540000099
由输出层映射，这个网络的最终转换特征是：
Figure BDA00025816215400000910
其中，权重矩阵
Figure BDA00025816215400000911
偏置向量
Figure BDA00025816215400000912
θ1是网络中所有权重和偏置参数的集合。
对于另一个图像Y，Yφ表示对称的表达式：
Figure BDA00025816215400000913
当原始数据通过深度网络映射到一个新的高维特征空间时，令
Figure BDA00025816215400000914
其中O是一个q*q的全1矩，计算变换后数据的协方差矩阵。经过推导，最终形式是：
Figure BDA0002581621540000101
基于慢特征分析，最不变分量的特征值最小，因此，可以最小化所有特征值的总平方，这样可以抑制不变像素的方差，并且更容易检测出发生变化像素。损失函数定义如下：
Figure BDA0002581621540000102
其中Aφ＝∑XY，
Figure BDA0002581621540000103
根据损失函数，目标是将成对像素的不同之处投影到一个不变的差异特征空间中，因此利用未发生改变的成对像素作为训练样本，通过深度网络的非线性学习过程在提取不变分量方面会有更好效果。
S3：基于变化向量检测策略选择高置信度的所述无变化像素作为训练样本。其中选择所述训练样本包括，
采用CVA和K-Means策略得到输入多时相图像的差分图和二值变化图；
从所述未改变区域中随机选择所述训练样本。
S4：利用三层全连接网络策略构建检测模型，输入所述训练样本进行训练。需要说明的是：
搭建三层全连接网络，每层节点数分别为128、128、10；
学习率为10-5，输入所述训练样本进行训练；
训练2000轮，获得双时相遥感图像投影。
S5：所述模型基于卡方距离计算所述训练样本的变化强度，并输出检测结果。其中，所述卡方距离计算变化强度，其公式为：
Figure BDA0002581621540000104
进一步需要说明的是，在实际应用中，先验标记信息在变化检测中很难得到，为了在训练过程中选择未发生改变的成对像素点，本发明采用CVA方法进行预检测，同时采用CVA和K-Means方法分别得到输入多时相图像的差分图和二值变化图，然后从检测到的未改变区域中随机选择训练样本。得到训练集然后对网络进行训练，原始数据通过深度网络得到变换后的特征Xφ和Yφ，通过求解特征值问题得到投影矩阵ωφ，并计算映射特征之间的差异如下：
Figure BDA0002581621540000111
最后基于卡方距离计算变化强度，并输出检测结果。
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例中结合在河流数据集上的测试，并与其他方法进行比较，包括CVA、MAD、IRMAD、PCA、USFA、ISFA和PCANet，其检测结果如表1所示，以验证本发明具有的优越效果。
该数据集是河流数据集，由两幅463×241的高光谱图像组成，分别于2013年5月和2013年12月在江苏省获得，该数据集中的每幅图像在去除噪声后包含198个谱带，更改区域包含12566像素，而未更改区域包含99017像素，其测试结果如表2所示。
表1用K-Means方法的河流变化检测结果
OA_NO OA_YES OA Kappa F1
CVA 0.908 0.806 0.898 0.587 0.643
PCA 0.953 0.590 0.912 0.553 0.602
MAD 0.914 0.802 0.901 0.593 0.647
IRMAD 0.913 0.809 0.901 0.594 0.649
USFA 0.895 0.830 0.888 0.564 0.625
ISFA 0.938 0.613 0.901 0.527 0.583
PCANet 0.949 0.802 0.932 0.689 0.727
NS-64-2 0.985 0.616 0.943 0.680 0.729
NS-128-2 0.981 0.688 0.948 0.721 0.751
NS-256-2 0.978 0.662 0.942 0.689 0.728
其中NS-m-n表示本文提出的模型，其具有n个隐藏层，每个隐藏层有m个节点，OA_NO表示没有变换像素的准确率，OA_YES表示发生变化像素的准确率，OA表示整个数据集的准确率。
从表1可以看出，基于NS的方法可以在OA-NO、OA、Kappa和F1评分上取得更好的效果。在这些方法中NS-128-2在OA、Kappa和F1评分上表现最好，在OA-NO上表现第三，NS-64-2在OA-NO上的准确度最高，虽然PCANet在OA-YES和F1评分上有较好的表现，但其在OA-NO、OA和Kappa上的表现远不如本文提出的方法。另外，本文提出的NS方法使用K-Means的结果仍然显示出很小的差异，这表明NS方法对不同的阈值方法是具有较高鲁棒性的。表2河流数据集的最佳变化检测结果
OA Kappa F1
CVA 0.910 0.624 0.684
PCA 0.908 0.608 0.664
MAD 0.904 0.597 0.648
IRMAD 0.900 0.598 0.651
USFA 0.906 0.610 0.659
ISFA 0.900 0.529 0.588
PCANet 0.920 0.689 0.727
NS-64-2 0.945 0.711 0.742
NS-128-2 0.948 0.727 0.757
NS-256-2 0.942 0.701 0.734
每种方法的最佳结果都是通过遍历所有可能的阈值得到的，如表2所示，基于NS方法仍然具有最好的性能。NS在OA、Kappa和F1评分上的表现要优于其他方法，其中NS-128-2在所有标准上是表现最好的，NS-64-2和NS-256-2在OA评分上分别为第二、第三名，我们方法的最佳值略好于阈值方法的结果，这也表明经过NS模型的变换后的特征具有更好的可分辨性。
实施例2
参照图1～图2，为本发明的第二个实施例，该实施例不同于第一个实施例的是提供了一种基于深度网络的遥感影像变化检测系统，包括，
输入模块包括两个为三层全连接网络，每层节点数分别为128、128、10，学习率为10-5组成的对称的深度网络用于输入所述训练样本进行训练，训练2000轮，获得双时相遥感图像投影数据；
检测模块连接于输入模块用于结合慢特征分析策略抑制投影后无变化像素并突出显示变化像素，基于变化向量检测策略选择高置信度的所述无变化像素作为训练样本，利用三层全连接网络策略构建检测模型，输入所述训练样本进行训练。
输出模块连接于检测模块用于所述模型基于卡方距离计算所述训练样本的变化强度，并输出检测结果。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于深度网络的遥感影像变化检测方法，其特征在于：包括，
利用两个对称的深度网络投影双时遥感图像的输入数据；
结合慢特征分析策略抑制投影后无变化像素并突出显示变化像素；
基于变化向量检测策略选择高置信度的所述无变化像素作为训练样本；
利用三层全连接网络策略构建检测模型，输入所述训练样本进行训练；
所述检测模型基于卡方距离计算所述训练样本的变化强度，并输出检测结果。
2.如权利要求1所述的基于深度网络的遥感影像变化检测方法，其特征在于：所述深度网络包括，
三层全连接网络，每层节点数分别为128、128、10。
3.如权利要求1或2所述的基于深度网络的遥感影像变化检测方法，其特征在于：对所述双时遥感图像的输入数据投影包括,
定义双时遥感图像为图像X和图像Y，X,Y∈Rm*n，对于图像X其第一个隐藏层的输出如下，
Figure FDA0002581621530000011
其中，m：特征带，n：像素的数目，
Figure FDA0002581621530000012
权重矩阵，
Figure FDA0002581621530000013
偏置向量，s(·)表示激活函数，pi表示网络的第i隐藏层的节点数，q表示输出层的节点数；
一个有h层隐藏层的网络，其最终的输出如下，
Figure FDA0002581621530000014
Figure FDA0002581621530000015
由输出层映射，网络的最终转换特征如下，
Figure FDA0002581621530000016
则图像Y，其Yφ表示对称的表达式如下，
Figure FDA0002581621530000017
4.如权利要求3所述的基于深度网络的遥感影像变化检测方法，其特征在于：所述慢性特征分析策略包括，
定义慢特征分析的目标函数如下，
Figure FDA0002581621530000018
其中，xi,yi∈Rm：双时相遥感图像中的对应像素，m:频带数，n:像素总数。
5.如权利要求4所述的基于深度网络的遥感影像变化检测方法，其特征在于：抑制所述无变化像素，突出所述变化像素，包括，
令
Figure FDA0002581621530000021
其中O是一个q*q的全1矩阵，计算变化后数据的协方差矩阵；
Figure FDA0002581621530000022
其中，I：恒等式矩阵，r:正则化常数；
当r>0时，∑XX和∑YY既是正定矩阵又是可逆矩阵，则
AφW＝BφWΛ
即：
Figure FDA0002581621530000023
其中Aφ＝∑XY，
Figure FDA0002581621530000024
则最终求解特征值的表达式如下，
Figure FDA0002581621530000025
6.如权利要求5所述的基于深度网络的遥感影像变化检测方法，其特征在于：选择所述训练样本包括，
采用CVA和K-Means策略得到输入多时相图像的差分图和二值变化图；
从所述未改变区域中随机选择所述训练样本。
7.如权利要求6所述的基于深度网络的遥感影像变化检测方法，其特征在于：构建所述检测模型包括，
三层全连接网络，每层节点数分别为128、128、10；
定义学习率为10-5并输入所述训练样本进行训练；
迭代训练2000轮，直至获得所述双时相遥感图像投影时结束训练。
8.如权利要求7所述的基于深度网络的遥感影像变化检测方法，其特征在于：利用所述卡方距离计算变化强度，如下，
Figure FDA0002581621530000026
其中，n：特征带数，σ2：统计分析得到的各特征带的方差。
9.如权利要求8所述的基于深度网络的遥感影像变化检测方法，其特征在于：计算映射特征之间的差异包括，
原始数据利用所述深度网络得到变换后的特征Xφ和Yφ；
求解所述特征值得到投影矩阵wφ，则计算所述映射特征之间的差异如下，
Figure FDA0002581621530000031
10.一种基于深度网络的遥感影像变化检测系统，其特征在于：包括，
输入模块包括两个对称的深度网络，其用于投影双时相图像的输入数据；
检测模块连接于所述输入模块，其用于结合所述慢特征分析策略抑制投影后无变化像素并突出显示变化像素，基于变化向量检测策略选择高置信度的所述无变化像素作为训练样本，利用三层全连接网络策略构建检测模型，输入所述训练样本进行训练；
输出模块连接于所述检测模块，其用于所述检测模型基于卡方距离计算所述训练样本的变化强度，并输出所述检测结果。
CN202010669071.6A 2020-07-13 2020-07-13 一种基于深度网络的遥感影像变化检测方法及系统 Pending CN112084837A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010669071.6A CN112084837A (zh) 2020-07-13 2020-07-13 一种基于深度网络的遥感影像变化检测方法及系统
CN202110646349.2A CN113640397B (zh) 2020-07-13 2021-06-10 一种基于深度网络的遥感影像变化检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010669071.6A CN112084837A (zh) 2020-07-13 2020-07-13 一种基于深度网络的遥感影像变化检测方法及系统

Publications (1)

Publication Number Publication Date
CN112084837A true CN112084837A (zh) 2020-12-15

Family

ID=73735896

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010669071.6A Pending CN112084837A (zh) 2020-07-13 2020-07-13 一种基于深度网络的遥感影像变化检测方法及系统
CN202110646349.2A Active CN113640397B (zh) 2020-07-13 2021-06-10 一种基于深度网络的遥感影像变化检测方法及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110646349.2A Active CN113640397B (zh) 2020-07-13 2021-06-10 一种基于深度网络的遥感影像变化检测方法及系统

Country Status (1)

Country Link
CN (2) CN112084837A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733949A (zh) * 2021-01-15 2021-04-30 中国人民解放军战略支援部队信息工程大学 一种高光谱影像分类方法
CN112801978A (zh) * 2021-01-28 2021-05-14 新疆大学 一种多光谱遥感图像变化检测方法、装置及存储介质
CN117218535A (zh) * 2023-09-12 2023-12-12 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) 一种基于sfa的长期森林覆盖变化检测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778294B (zh) * 2023-04-14 2024-03-26 南京审计大学 一种联合图像内和图像间上下文的遥感变化检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632155A (zh) * 2013-12-16 2014-03-12 武汉大学 基于慢特征分析的遥感影像变化检测方法
CN104751478A (zh) * 2015-04-20 2015-07-01 武汉大学 一种基于多特征融合的面向对象的建筑物变化检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654136B (zh) * 2015-12-31 2019-01-11 中国科学院电子学研究所 一种基于深度学习的大规模遥感影像目标自动识别方法
CN106844739B (zh) * 2017-02-14 2020-05-05 中国科学院遥感与数字地球研究所 一种基于神经网络协同训练的遥感图像变化信息检索方法
CN108388828A (zh) * 2017-07-13 2018-08-10 中国科学院遥感与数字地球研究所 一种综合多源遥感数据的滨海湿地土地覆盖信息提取方法
CN109934154B (zh) * 2019-03-08 2021-06-01 北京科技大学 一种遥感影像变化检测方法及检测装置
CN110443364A (zh) * 2019-06-21 2019-11-12 深圳大学 一种深度神经网络多任务超参数优化方法及装置
WO2021007812A1 (zh) * 2019-07-17 2021-01-21 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632155A (zh) * 2013-12-16 2014-03-12 武汉大学 基于慢特征分析的遥感影像变化检测方法
CN104751478A (zh) * 2015-04-20 2015-07-01 武汉大学 一种基于多特征融合的面向对象的建筑物变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BO DU ET AL.: "Unsupervised Deep Slow Feature Analysis for Change Detection in Multi-Temporal Remote Sensing Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
徐俊峰 等: "利用慢特征分析进行多尺度融合的高分辨率影像变化检测", 《测绘科学技术学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733949A (zh) * 2021-01-15 2021-04-30 中国人民解放军战略支援部队信息工程大学 一种高光谱影像分类方法
CN112801978A (zh) * 2021-01-28 2021-05-14 新疆大学 一种多光谱遥感图像变化检测方法、装置及存储介质
CN117218535A (zh) * 2023-09-12 2023-12-12 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) 一种基于sfa的长期森林覆盖变化检测方法
CN117218535B (zh) * 2023-09-12 2024-05-14 黑龙江省网络空间研究中心(黑龙江省信息安全测评中心、黑龙江省国防科学技术研究院) 一种基于sfa的长期森林覆盖变化检测方法

Also Published As

Publication number Publication date
CN113640397B (zh) 2023-10-24
CN113640397A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
Kumar et al. Feature extraction for hyperspectral image classification: A review
CN112084837A (zh) 一种基于深度网络的遥感影像变化检测方法及系统
CN107316013B (zh) 基于nsct变换和dcnn的高光谱图像分类方法
Chen et al. A comprehensive approach to mode clustering
Wang et al. Determination of the spread parameter in the Gaussian kernel for classification and regression
Qi et al. Feature selection and multiple kernel boosting framework based on PSO with mutation mechanism for hyperspectral classification
Fu et al. A novel band selection and spatial noise reduction method for hyperspectral image classification
Montazer et al. An improved radial basis function neural network for object image retrieval
Liu et al. Large polarimetric SAR data semi-supervised classification with spatial-anchor graph
Li et al. Adaptive kernel sparse representation based on multiple feature learning for hyperspectral image classification
Polat et al. Hand geometry identification without feature extraction by general regression neural network
Bahadur et al. Dimension estimation using autoencoders
CN112990313A (zh) 高光谱图像异常检测方法、装置、计算机设备及存储介质
Yang et al. A fuzzy-statistics-based principal component analysis (FS-PCA) method for multispectral image enhancement and display
CN111783884A (zh) 基于深度学习的无监督高光谱图像分类方法
Cui et al. Spectral-spatial hyperspectral image classification based on superpixel and multi-classifier fusion
Lin et al. Edge detection in the feature space
CN112115961B (zh) 一种基于稀疏图正则化的高光谱遥感影像分类方法
Woloszynski et al. On a new measure of classifier competence applied to the design of multiclassifier systems
Lee et al. 3D face recognition in the Fourier domain using deformed circular curves
Goncharova et al. Greedy algorithms of feature selection for multiclass image classification
Suman et al. Study the Effect of MRF Model on Fuzzy c Means Classifiers with Different Parameters and Distance Measures
Oguslu et al. Sparse coding based dense feature representation model for hyperspectral image classification
Jain et al. An unsupervised band selection method for hyperspectral images using mutual information based dependence index
Jia et al. Hyperspectral image classification using discontinuity adaptive class-relative nonlocal means and energy fusion strategy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201215

WD01 Invention patent application deemed withdrawn after publication