CN112131969A - 基于全卷积神经网络的遥感图像变化检测方法 - Google Patents
基于全卷积神经网络的遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN112131969A CN112131969A CN202010903822.6A CN202010903822A CN112131969A CN 112131969 A CN112131969 A CN 112131969A CN 202010903822 A CN202010903822 A CN 202010903822A CN 112131969 A CN112131969 A CN 112131969A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- change detection
- neural network
- sensing image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 230000008859 change Effects 0.000 title claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 32
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 56
- 238000011176 pooling Methods 0.000 description 33
- 230000004913 activation Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全卷积神经网络的遥感图像变化检测方法,将训练集输入预先构建的全卷积神经网络,采用梯度下降算法训练全卷积神经网络,确定遥感图像变化检测网络,将测试集输入遥感图像变化检测网络,生成测试集中各个测试图像的分割图像,计算各个分割图像中像素的强度值差值,根据强度值差值的绝对值生成差异图像,提取所述差异图像中像素块的各个特征向量,根据各个特征向量构建特征向量空间,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图,对粗变化检测图进行形态学滤波,以生成变化检测图,实现测试集中各个测试图像的变化检测,使检测得到的测试图像变化状态更为全面,提高检测准确性以及相应的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于全卷积神经网络的遥感图像变化检测方法。
背景技术
随着各种卫星传感器提供的地球观测数据不断增加,使用相同或不同的传感器很容易获得多时相的遥感图像数据。基于同一地理地区域获取的多时相遥感图像,变化检测任务是通过在不同时间观测一个物体或自然现象来识别其状态差异的一种方法,这对准确理解和处理地球表面的变化有着重要的作用。一般而言,变化检测技术已应用于许多领域,如土地覆盖、土地利用制图、自然资源调查、城市扩展监测、环境评估等。
近年来,深度学习在图像处理、自然语言处理和三维场景理解等领域取得了明显的优势。由于它们的巨大成功,深度学习技术也被尝试用来解决变化检测问题。基本上,基于深度学习的变化检测方法可以分为三大类:(1)基于特征的深度学习变化检测;(2)基于补丁的深度学习变化检测;(3)基于图像的深度学习变化检测。
公开号CN108564083A一种遥感图像变化检测方法及装置,获取双时相遥感图像的差异图像,利用预置算法生成向量集合,利用预置聚类算法对各个所述向量进行聚类,得到最终差异图。该方法虽然解决了现有的无监督检测遥感图像变化区域时,由于无监督检测性能指标较低而导致的遥感图像变化区域检测的准确率较低的问题,但是由于直接通过双时相遥感图像获取变化图,所得精度不高,易造成误差累计,影响变化检测结果图精度。
公开号CN107480712A基于局部不变特征的高分辨率遥感图像变化检测方法,在待检测图像对两次交叉分块的基础上,分别利用LBP和SURF特征描述子分析图像块对的相似度置信度,基于相似度置信度判断1/4图像块的变化性质,并采用形态学区域增长的方式处理变化和非变化1/4图像块形成的块状效应。该方法两次分块处理,按图像块分析纹理特征,按1/4图像块判断图像变化性质,提高了图像块描述的准确性和图像块分析的精度,但是LBP算子当光照变化不均匀时,各像素间的大小关系被破坏,对应的LBP算子也就发生了变化,并且通过引入旋转不变的定义,使LBP算子更具鲁棒性,但这也使得LBP算子丢失了方向信息。
可见,传统的遥感图像变化检测方案检测得到的结果往往存在信息不全、准确性低、以及检测精度低的问题。
发明内容
针对以上问题,本发明提出一种基于全卷积神经网络的遥感图像变化检测方法。
为实现本发明的目的,提供一种基于全卷积神经网络的遥感图像变化检测方法,包括如下步骤:
S30,将训练集输入预先构建的全卷积神经网络,并选择特定损失函数,根据所述特定损失函数采用梯度下降算法训练所述全卷积神经网络,在所述全卷积神经网络收敛时确定遥感图像变化检测网络;
S40,将测试集输入遥感图像变化检测网络,生成测试集中各个测试图像的分割图像;
S50,计算各个分割图像中像素的强度值差值,根据强度值差值的绝对值生成差异图像;
S60,提取所述差异图像中像素块的各个特征向量,根据各个特征向量构建特征向量空间,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图;
S70,对粗变化检测图进行形态学滤波,以生成变化检测图。
在一个实施例中,步骤S30之前,还包括:
S10,构建遥感图像数据集,将遥感图像数据集分为训练集和测试集;
S20,构建主体结构基于U-net的全卷积神经网络。
具体地,构建遥感图像数据集,将遥感图像数据集分为训练集和测试集包括:
S11,构建遥感图像数据集Image=[Image0,Image1,...,Imagei],并制作相对应的样本标签集Lable=[Lable0,Lable1,...,Lablei],其中i表示所构建的图像数据集和相对应的标签集中所包含的图像的最大数量,Imagei表示所构建的遥感图像数据集中第i个图像,Lablei表示所制作的样本标签集中第i个标签图像;
S12,从遥感图像数据集中随机抽取m张图像和相对应的标签图像构建训练集,其余n-m张图像和相对应的标签图像构建测试集。
在一个实施例中,所述特定损失函数包括:
L=-yi×log[p(yi)]-(1-yi)×log[1-p(yi)],
其中,yi表示训练集中遥感图像第i个像素所对应的标签值像素值,p(yi)表示经过全卷积神经网络预测后输出像素的值为1的概率值,L表示特定损失函数。
在一个实施例中,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图包括:
使用k=2的k均值聚类将特征向量空间划分为两个簇,并计算簇的特征向量和均值特征向量之间的最小欧氏距离,将每个像素分配给两个簇中的一个,生成粗变化检测图。
在一个实施例中,对粗变化检测图进行形态学滤波,以生成变化检测图包括:
对所述粗变化检测图进行腐蚀操作,滤除粗变化检测图中的噪声像素点,生成变化检测图。
上述基于全卷积神经网络的遥感图像变化检测方法,可以将训练集输入预先构建的全卷积神经网络,并选择特定损失函数,根据所述特定损失函数采用梯度下降算法训练所述全卷积神经网络,在所述全卷积神经网络收敛时确定遥感图像变化检测网络,将测试集输入遥感图像变化检测网络,生成测试集中各个测试图像的分割图像,计算各个分割图像中像素的强度值差值,根据强度值差值的绝对值生成差异图像,提取所述差异图像中像素块的各个特征向量,根据各个特征向量构建特征向量空间,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图,对粗变化检测图进行形态学滤波,以生成变化检测图,实现测试集中各个测试图像变化状态的检测,使检测得到的测试图像变化状态更为全面,提高检测准确性以及相应的检测精度。
附图说明
图1是一个实施例的基于全卷积神经网络的遥感图像变化检测方法流程图;
图2是一个实施例的基于全卷积神经网络的遥感图像变化检测框架图;
图3是一个实施例的全卷积神经网络框架图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的基于全卷积神经网络的遥感图像变化检测方法流程图,包括如下步骤:
S30,将训练集输入预先构建的全卷积神经网络,并选择特定损失函数,根据所述特定损失函数采用梯度下降算法训练所述全卷积神经网络,在所述全卷积神经网络收敛时确定遥感图像变化检测网络。
S40,将测试集输入遥感图像变化检测网络,生成测试集中各个测试图像的分割图像。
S50,计算各个分割图像中像素的强度值差值,根据强度值差值的绝对值生成差异图像。
S60,提取所述差异图像中像素块的各个特征向量,根据各个特征向量构建特征向量空间,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图。
S70,对粗变化检测图进行形态学滤波,以生成变化检测图。
上述基于全卷积神经网络的遥感图像变化检测方法,可以将训练集输入预先构建的全卷积神经网络,并选择特定损失函数,根据所述特定损失函数采用梯度下降算法训练所述全卷积神经网络,在所述全卷积神经网络收敛时确定遥感图像变化检测网络,将测试集输入遥感图像变化检测网络,生成测试集中各个测试图像的分割图像,计算各个分割图像中像素的强度值差值,根据强度值差值的绝对值生成差异图像,提取所述差异图像中像素块的各个特征向量,根据各个特征向量构建特征向量空间,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图,对粗变化检测图进行形态学滤波,以生成变化检测图,实现测试集中各个测试图像变化状态的检测,使检测得到的测试图像变化状态更为全面,提高检测准确性以及相应的检测精度。
在一个实施例中,步骤S30之前,还包括:
S10,构建遥感图像数据集,将遥感图像数据集分为训练集和测试集;
S20,构建主体结构基于U-net的全卷积神经网络,以使用训练集对全卷积神经网络进行训练。
本实施例可以构建遥感图像数据集,并制作相应的样本标签集合,将所得遥感图像数据集分为训练集Train和测试集Test。遥感图像数据集中,每一张原始遥感图像都有一张与之对应的标签,标签可以是一张二值图像,其中变化的像素显示为白色,非变化的像素显示为黑色。
具体地,构建遥感图像数据集,将遥感图像数据集分为训练集和测试集包括:
S11,构建遥感图像数据集Image=[Image0,Image1,...,Imagei],并制作相对应的样本标签集Lable=[Lable0,Lable1,...,Lablei],其中i表示所构建的图像数据集和相对应的标签集中所包含的图像的最大数量,Imagei表示所构建的遥感图像数据集中第i个图像,Lablei表示所制作的样本标签集中第i个标签图像;
S12,从遥感图像数据集中随机抽取m张图像和相对应的标签图像构建训练集,其余n-m张图像和相对应的标签图像构建测试集。
具体地,本实施例还可以对遥感图像数据集和相对应的样本标签集进行旋转、沿所在坐标系的一个坐标轴(如y轴)镜像、模糊、光照调整、增加噪声,生成数据增强后的遥感图像数据集Image=[Image0,Image1,...,Imagen],和相对应的样本标签集Lable=[Lable0,Lable1,...Lablen],其中n表示经过数据增强后的遥感图像数据集和相对应的样本标签集中所包含的图像的最大数量,从中随机随机抽取m张图像和相对应的标签图像构建训练集,其余n-m张图像和相对应的标签图像构建测试集,则有Train=[Imagem,Lablem],Test=[Imagen-m,Lablen-m]。其中Imagem表示训练集中的遥感图像集合,它包含了m张图像,Lablem表示训练集中的标签图像集合,它包含了m张图像,Imagen-m表示测试集中的遥感图像集合,它包含了n-m张图像,Lablen-m表示测试集中的标签图像集合,它包含了n-m张图像。
具体地,所构建的全卷积神经网络的结构可以包括:
(2.1)在输入层中,每个输入的遥感图像尺寸为256*256*3;
(2.2)在第一大层中,分别定义了两层卷积核尺寸为3*3*32、步长为1、激活函数为线性整流函数的卷积层,和一个池化层,池化方法选择为最大值池化,池化尺寸为2*2、步长为2;
(2.3)在第二大层中,分别定义了两层卷积核尺寸为3*3*64、步长为1、激活函数为线性整流函数的卷积层,和一个池化层,池化方法选择为最大值池化,池化尺寸为2*2、步长为2;
(2.4)在第三大层中,分别定义了两层卷积核尺寸为3*3*128、步长为1、激活函数为线性整流函数的卷积层,和一个池化层,池化方法选择为最大值池化,池化尺寸为2*2、步长为2;
(2.5)在第四大层中,分别定义了两层卷积核尺寸为3*3*256、步长为1、激活函数为线性整流函数的卷积层,和一个池化层,池化方法选择为最大值池化,池化尺寸为2*2、步长为2;
(2.6)在第五大层中,分别定义了两层卷积核尺寸为3*3*512、步长为1、激活函数为线性整流函数的卷积层;
(2.7)第六大层为上采样层,对(2.6)中输出的特征图进行上采样,并与(2.5)中输出的特征图按通道数叠加,并定义了两层卷积核尺寸为3*3*256、步长为1、激活函数为线性整流函数的卷积层;
(2.8)第七大层为上采样层,对(2.7)中输出的特征图进行上采样,并与(2.4)中输出的特征图按通道数叠加,并定义了两层卷积核尺寸为3*3*128、步长为1、激活函数为线性整流函数的卷积层;
(2.9)第八大层为上采样层,对(2.8)中输出的特征图进行上采样,并与(2.3)中输出的特征图按通道数叠加,并定义了两层卷积核尺寸为3*3*64、步长为1、激活函数的线性整流函数的卷积层;
(2.10)第九大层为上采样层,对(2.9)中输出的特征图进行上采样,并与(2.2)中输出的特征图按通道数叠加,并定义了两层卷积核尺寸为3*3*32、步长为1、激活函数为线性整流函数的卷积层;
(2.11)输出层中定义sigmoid函数为激活函数。
在一个实施例中,所述特定损失函数包括:
L=-yi×log[p(yi)]-(1-yi)×log[1-p(yi)],
其中,yi表示训练集中遥感图像第i个像素所对应的标签值像素值,p(yi)表示经过全卷积神经网络预测后输出像素的值为1的概率值,L表示特定损失函数。
具体地,上述特定损失函数可以包括binary_cross_entropy,将训练集输入全卷积神经网络后的训练过程可以包括:
(3.1)选择batch size=16,epoch=30进行训练数据的输入,并在每次模型最佳时进行保存;在一个示例中,可以在当前epoch的准确率优于上一epoch时,保存并覆盖上一次保存的模型。
(3.2)选择binary_cross_entropy为全卷积神经网络的损失函数,并利用梯度下降算法进行训练。binary_cross_entropy可以具体表示为:
L=-yi×log[p(yi)]-(1-yi)×log[1-p(yi)]
其中yi表示训练集中遥感图像第i个像素所对应的标签值像素值,p(yi)表示经过全卷积神经网络预测后输出像素的值为1的概率值。
在一个实施例中,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图包括:
使用k=2的k均值聚类将特征向量空间划分为两个簇,并计算簇的特征向量和均值特征向量之间的最小欧氏距离,将每个像素分配给两个簇中的一个,生成粗变化检测图。
在一个实施例中,对粗变化检测图进行形态学滤波,以生成变化检测图包括:
对所述粗变化检测图进行腐蚀操作,滤除粗变化检测图中的噪声像素点,生成变化检测图。
在一个实施例中,将测试集输入遥感图像变化检测网络(收敛的神经网络)后,针对测试集的处理过程可以包括:
设测试集中第i个图像为三通道图像,将其表示如下:
其中,n为输入图像的尺寸256。将图像送入遥感图像变化检测网络,生成与原始图像相对应的分割图像:
生成的分割图像为单通道图像,其中n为生成的分割图像的尺寸,与输入的原始图像相同,n为256。
进一步地,计算各个分割图像中像素的强度值差值,根据强度值差值的绝对值生成差异图像的过程可以包括:
生成的差异图像DIi可以表示如下:
DIi为单通道图像,其中n为256,其每个位置上的像素值可以表示为:
DIi(x,y)=|imagei1(x,y)-imagei2(x,y)|,
其中,i表示测试集中第i组遥感图像,x,y分别表示所述差异图像的第x行和第y列,imagei1(x,y)表示第一时相的遥感图像的分割图像第x行和第y列的像素值,imagei2(x,y)表示第二时相的遥感图像的分割图像第x行和第y列的像素值。
进一步地,提取差异图像中像素块的各个特征向量,根据各个特征向量构建特征向量空间的过程可以包括:
在差异图像DIi中生成h×h的非重叠像素块设为xd,其中h选择为大于2的常数:
将xd展成行向量x′d,将所有x′d集合形成向量集Xd,在Xd上使用主成分分析算法建立特征向量空间:
其中x′d中共有h×h个元素,
其中Xd形状为h2×h2,对Xd中所有特征进行中心化生成Xd′:
对Xd′求协方差矩阵:
其中,cov(fp,fq)=E{[fp-E(fp)][fq-E(fq)]},利用矩阵知识Cu=λu计算出所述协方差矩阵C的特征值λ以及对应的特征向量u,并按照特征值降序排列,选取前对特征值特征向量对构成所述特征向量空间;
将DIi每个像素周围h×h的像素块投影到特征向量空间,建立整个DIi上的特征向量空间FVS:
在一个实施例中,上述基于全卷积神经网络的遥感图像变化检测方法的框架可以参考图2所示,包括如下过程:
(1)搭建主体结构基于U-net的全卷积神经网络对遥感图像进行训练,网络损失函数选择为binary_cross_entropy。网络包含下采样和上采样两部分,输入图像经过网络的下采样部分,由于网络中池化的作用,尺寸减小,图像经过上采样部分尺寸恢复至原始输入图像大小。在一个示例中,上述全卷积神经网络的框架图可以参考图3所示。
(1.1)构建遥感图像数据集Image=[Image0,Image1,...,Imagei],并制作相对应的样本标签集Lable=[Lable0,Lable1,...,Lablei],其中i表示所构建的图像数据集和相对应的标签集中所包含的图像的最大数量,Imagei表示所构建的遥感图像数据集中第i个图像,Lablei表示所制作的样本标签集中第i个标签图像;
(1.2)对步骤(1.1)中的遥感图像数据集和相对应的样本标签集进行旋转、沿y轴镜像、模糊、光照调整、增加噪声,生成数据增强后的遥感图像数据集Image=[Image0,Image1,...,Imagen],和相对应的样本标签集Lable=[Lable0,Lable1,...Lablen],其中n表示经过数据增强后的遥感图像数据集和相对应的样本标签集中所包含的图像的最大数量,从中随机随机抽取m张图像和相对应的标签图像构建训练集,其余n-m张图像和相对应的标签图像构建测试集,则有Train=[Imagem,Lablem],Test=[Imagen-m,Lablen-m]。其中Imagem表示训练集中的遥感图像集合,它包含了m张图像,Lablem表示训练集中的标签图像集合,它包含了m张图像,Imagen-m表示测试集中的遥感图像集合,它包含了n-m张图像,Lablen-m表示测试集中的标签图像集合,它包含了n-m张图像。在本实施例中,选取m的值为n值得80%。
(1.3)搭建一个主体结构基于U-net的全卷积神经网络,如附图2中所示。
搭建的全卷积神经网络每层参数设定如下:
(a)在输入层中,每个输入的遥感图像尺寸为256*256*3;
(b)在第一大层中,分别定义了两层卷积核尺寸为3*3*32、步长为1、激活函数为线性整流函数的卷积层,和一个池化层,池化方法选择为最大值池化,池化尺寸为2*2、步长为2;
(c)在第二大层中,分别定义了两层卷积核尺寸为3*3*64、步长为1、激活函数为线性整流函数的卷积层,和一个池化层,池化方法选择为最大值池化,池化尺寸为2*2、步长为2;
(d)在第三大层中,分别定义了两层卷积核尺寸为3*3*128、步长为1、激活函数为线性整流函数的卷积层,和一个池化层,池化方法选择为最大值池化,池化尺寸为2*2、步长为2;
(e)在第四大层中,分别定义了两层卷积核尺寸为3*3*256、步长为1、激活函数为线性整流函数的卷积层,和一个池化层,池化方法选择为最大值池化,池化尺寸为2*2、步长为2;
(f)在第五大层中,分别定义了两层卷积核尺寸为3*3*512、步长为1、激活函数为线性整流函数的卷积层;
(g)第六大层为上采样层,对(2.6)中输出的特征图进行上采样,并与(2.5)中输出的特征图按通道数叠加,并定义了两层卷积核尺寸为3*3*256、步长为1、激活函数为线性整流函数的卷积层;
(h)第七大层为上采样层,对(2.7)中输出的特征图进行上采样,并与(2.4)中输出的特征图按通道数叠加,并定义了两层卷积核尺寸为3*3*128、步长为1、激活函数为线性整流函数的卷积层;
(i)第八大层为上采样层,对(2.8)中输出的特征图进行上采样,并与(2.3)中输出的特征图按通道数叠加,并定义了两层卷积核尺寸为3*3*64、步长为1、激活函数的线性整流函数的卷积层;
(j)第九大层为上采样层,对(2.9)中输出的特征图进行上采样,并与(2.2)中输出的特征图按通道数叠加,并定义了两层卷积核尺寸为3*3*32、步长为1、激活函数为线性整流函数的卷积层;
(k)输出层中定义sigmoid函数为激活函数。
(1.4)将构建的遥感图像训练集Train中的图像输入到上述构建的全卷积神经网络中,对网络进行训练。训练一个卷积神经网络,实际意义上是在训练该网络每一个卷积层的卷积核,训练开始前随机初始化卷积核的参数,训练中利用梯度下降和反向传播算法更新卷积核的参数,使网络收敛。在本实施例中选取batch size=16,epoch=30进行训练。
(2)将构建的遥感图像测试集Test中的图像输入到上述训练好的全卷积神经网络中,生成分割图。在本实施例中,测试集中的遥感图像尺寸为256×256,其中第i个测试集图像可以表示为:
其中,n的值为256,经过上述训练好的全卷积神经网络输出为单通道的分割图像,可以表示为:
其中,n的值为256。
(3)利用上述全卷积神经网络生成的分割图构建原始测试遥感图像的差异图像,并在差异图像上使用主成分分析算法构建特征向量空间,生成特征向量空间后利用k均值聚类算法对上述特征向量进行聚类生成粗变化图,并对粗变化图进行腐蚀操作生成最终变化检测图。将测试集中所有图像的预测值predict与原始遥感图像所对应的Label值进行对比,即可得到整个测试集的检测准确率。
上述基于全卷积神经网络的遥感图像变化检测方法具有如下有益效果:
(1)直接将原始的遥感图像输入全卷积神经网络,输出原始图像的分割图,避免了前期对图像的复杂预处理以及特征提取过程,并且输出的分割图包含的信息完整、精度较高。
(2)直接通过全卷积神经网络输出的分割图生成差异图,获得的差异图质量高,并且可以避免误差累计,提高变化检测的性能。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于全卷积神经网络的遥感图像变化检测方法,其特征在于,包括如下步骤:
S30,将训练集输入预先构建的全卷积神经网络,并选择特定损失函数,根据所述特定损失函数采用梯度下降算法训练所述全卷积神经网络,在所述全卷积神经网络收敛时确定遥感图像变化检测网络;
S40,将测试集输入遥感图像变化检测网络,生成测试集中各个测试图像的分割图像;
S50,计算各个分割图像中像素的强度值差值,根据强度值差值的绝对值生成差异图像;
S60,提取所述差异图像中像素块的各个特征向量,根据各个特征向量构建特征向量空间,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图;
S70,对粗变化检测图进行形态学滤波,以生成变化检测图。
2.根据权利要求1所述的基于全卷积神经网络的遥感图像变化检测方法,其特征在于,步骤S30之前,还包括:
S10,构建遥感图像数据集,将遥感图像数据集分为训练集和测试集;
S20,构建主体结构基于U-net的全卷积神经网络。
3.根据权利要求2所述的基于全卷积神经网络的遥感图像变化检测方法,其特征在于,构建遥感图像数据集,将遥感图像数据集分为训练集和测试集包括:
S11,构建遥感图像数据集Image=[Image0,Image1,...,Imagei],并制作相对应的样本标签集Lable=[Lable0,Lable1,...,Lablei],其中i表示所构建的图像数据集和相对应的标签集中所包含的图像的最大数量,Imagei表示所构建的遥感图像数据集中第i个图像,Lablei表示所制作的样本标签集中第i个标签图像;
S12,从遥感图像数据集中随机抽取m张图像和相对应的标签图像构建训练集,其余n-m张图像和相对应的标签图像构建测试集。
4.根据权利要求1所述的基于全卷积神经网络的遥感图像变化检测方法,其特征在于,所述特定损失函数包括:
L=-yi×log[p(yi)]-(1-yi)×log[1-p(yi)],
其中,yi表示训练集中遥感图像第i个像素所对应的标签值像素值,p(yi)表示经过全卷积神经网络预测后输出像素的值为1的概率值,L表示特定损失函数。
5.根据权利要求1所述的基于全卷积神经网络的遥感图像变化检测方法,其特征在于,对特征向量空间进行聚类,根据聚类结果生成粗变化检测图包括:
使用k=2的k均值聚类将特征向量空间划分为两个簇,并计算簇的特征向量和均值特征向量之间的最小欧氏距离,将每个像素分配给两个簇中的一个,生成粗变化检测图。
6.根据权利要求1所述的基于全卷积神经网络的遥感图像变化检测方法,其特征在于,对粗变化检测图进行形态学滤波,以生成变化检测图包括:
对所述粗变化检测图进行腐蚀操作,滤除粗变化检测图中的噪声像素点,生成变化检测图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010903822.6A CN112131969A (zh) | 2020-09-01 | 2020-09-01 | 基于全卷积神经网络的遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010903822.6A CN112131969A (zh) | 2020-09-01 | 2020-09-01 | 基于全卷积神经网络的遥感图像变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112131969A true CN112131969A (zh) | 2020-12-25 |
Family
ID=73847097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010903822.6A Pending CN112131969A (zh) | 2020-09-01 | 2020-09-01 | 基于全卷积神经网络的遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112131969A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580610A (zh) * | 2021-01-27 | 2021-03-30 | 仲恺农业工程学院 | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 |
CN113313021A (zh) * | 2021-05-27 | 2021-08-27 | 云南电网有限责任公司电力科学研究院 | 一种基于低质量影像识别的深度学习模型构建方法 |
CN113962925A (zh) * | 2021-08-19 | 2022-01-21 | 中国人民解放军国防科技大学 | 基于卫星及无人机的异源遥感图像变化检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
-
2020
- 2020-09-01 CN CN202010903822.6A patent/CN112131969A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971364A (zh) * | 2014-04-04 | 2014-08-06 | 西南交通大学 | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 |
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580610A (zh) * | 2021-01-27 | 2021-03-30 | 仲恺农业工程学院 | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 |
CN113313021A (zh) * | 2021-05-27 | 2021-08-27 | 云南电网有限责任公司电力科学研究院 | 一种基于低质量影像识别的深度学习模型构建方法 |
CN113962925A (zh) * | 2021-08-19 | 2022-01-21 | 中国人民解放军国防科技大学 | 基于卫星及无人机的异源遥感图像变化检测方法及装置 |
CN113962925B (zh) * | 2021-08-19 | 2024-01-26 | 中国人民解放军国防科技大学 | 基于卫星及无人机的异源遥感图像变化检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047551B (zh) | 一种基于U-net改进算法的遥感影像变化检测方法及系统 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
CN108830326B (zh) | 一种mri图像的自动分割方法及装置 | |
CN112131969A (zh) | 基于全卷积神经网络的遥感图像变化检测方法 | |
CN107909039B (zh) | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 | |
CN110287960A (zh) | 自然场景图像中曲线文字的检测识别方法 | |
Smits et al. | Updating land-cover maps by using texture information from very high-resolution space-borne imagery | |
Fu et al. | A novel band selection and spatial noise reduction method for hyperspectral image classification | |
CN115017418B (zh) | 基于强化学习的遥感影像推荐系统及方法 | |
Hormese et al. | Automated road extraction from high resolution satellite images | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
US10755146B2 (en) | Network architecture for generating a labeled overhead image | |
CN111126494B (zh) | 基于各向异性卷积的图像分类方法及系统 | |
CN110909643A (zh) | 基于最近邻原型表示的遥感舰船图像小样本分类方法 | |
CN108550165A (zh) | 一种基于局部不变特征的图像匹配方法 | |
Choi et al. | Comparative analysis of generalized intersection over union | |
CN111898693A (zh) | 能见度分类模型的训练方法、能见度估计方法、装置 | |
Jing et al. | Island road centerline extraction based on a multiscale united feature | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN111860500A (zh) | 一种鞋印磨损区域检测与描边方法 | |
CN108765384B (zh) | 一种联合流形排序和改进凸包的显著性检测方法 | |
KR20140053259A (ko) | 특징 추출을 위한 기법들 | |
CN116030036A (zh) | 图像差异检测方法、模型训练方法、系统、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |
|
RJ01 | Rejection of invention patent application after publication |