CN112509017A - 一种基于可学习差分算法的遥感影像变化检测方法 - Google Patents
一种基于可学习差分算法的遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN112509017A CN112509017A CN202011300324.9A CN202011300324A CN112509017A CN 112509017 A CN112509017 A CN 112509017A CN 202011300324 A CN202011300324 A CN 202011300324A CN 112509017 A CN112509017 A CN 112509017A
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- representing
- remote sensing
- individual
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000008859 change Effects 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- VHUKJKINNIUBPM-UHFFFAOYSA-N n-(2-phenoxyphenyl)formamide Chemical compound O=CNC1=CC=CC=C1OC1=CC=CC=C1 VHUKJKINNIUBPM-UHFFFAOYSA-N 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于可学习差分算法的遥感影像变化检测方法。首先,在差分进化算法的每次迭代过程中执行变异和交叉操作;然后,从原种群和交叉后种群中随机选择部分个体进入新种群,再从新种群中选择个体并进行标记,得到训练样本;接着,对神经网络进行训练,再利用训练好的神经网络选择进入下一代种群的个体;如此迭代,得到逼近真实最优值的种群,再计算最优的模糊关系矩阵,将差异图中的每个像素分配到最大模糊值的类别,最终完成变化检测。本发明方法具有良好的优化能力和收敛速度,且检测精度高。
Description
技术领域
本发明属图像处理技术领域,具体涉及一种基于可学习差分算法的遥感影像变化检测方法。
背景技术
针对遥感影像的变化检测在现实中应用场景广泛,例如在自然灾害评估与处理中,利用遥感影像变化检测,能够快速分析出受灾区域,从而实施有效救助和规避危险。
传统的遥感影像变化检测算法主要分为四大类:阈值法、聚类法、图切法和水平集法。其中,比较常用的算法是阈值法和聚类法,而图切法和水平集法由于算法自身机制的问题,通常被用于前两种算法的初始化部分。为了无监督地得到最优阈值,Kittler等人在文献“Kittler,J.,and J.Illingworth.1986.“Minimum Error Thresholding.”PatternRecognition 19(1):41–47.doi:10.1016/0031-3203(86)90030-0.”中提出了Kittler-lllingworth(KL)阈值选取算法。虽然阈值法计算简单、运算效率较高、速度快,但其尝试选取最优阈值对差异图进行直接划分,太过生硬,不适合目标比较复杂的遥感影像,而且,在实际应用中,由于原始影像获取条件不同,得到的影像数据在数值上具有不一致性,导致基于阈值选择的算法检测精度有限。而聚类法通过分析影像数据的全局和局部信息,将相似的像素归为同一类别。例如,K-means算法作为典型的聚类算法,其在迭代过程中,将每一个像素确定性地划分为某一类别。与之不同的是,文献“Ghosh,A.,N.S.Mishra,andS.Ghosh.2011.“Fuzzy Clustering Algorithms for Unsupervised Change Detectionin Remote Sensing Images.”Information Sciences 181(4):699–715.doi:10.1016/j.ins.2010.10.016.”记载了模糊C均值聚类(Fuzzy c-means,FCM)算法,为差异图建立隶属度矩阵,使得每一个像素点均有可能被划分为任意类别。为了能在一定程度上平滑噪声的影响,Krinidis等人在文献“Krinidis,S.,and V.Chatzis.2010.“A Robust FuzzyLocal Information C-Means Clustering Algorithm.”IEEE Transactions on ImageProcessing 19(5):1328–1337.doi:10.1109/TIP.2009.2038814.”中结合邻域信息提出基于局部信息的C均值聚类(Fuzzy local information c-means clustering,FLICM)算法。聚类法的划分方式更合理,精度更高,是变化检测方法中最常用的算法。
但聚类算法通常存在收敛速度慢、优化方式无法达到理想的最优值和计算复杂度过大等问题,不利于算法的实际应用。因此,需要研究一种优化过程简单、算法计算复杂度相对较低、同时检测结果精度相对较高的遥感影像变化检测方法。
发明内容
为了克服现有技术的不足,本发明提供一种基于可学习差分算法的遥感影像变化检测方法。通过引入结合神经网络的差分进化(Differential Evolution,DE),设计了一种可自主学习的无监督变化检测框架。首先,在经典DE算法基础上,将选择操作作为一种预选择方式,未被预选择的个体,均有一定概率被临时放入候选种群中,最终的候选样本由经过重组后的种群个体被打上对应的标签后得到;接着,从候选样本中选择部分样本用于神经网络的训练,训练好的网络即具有高效选择下一代的能力,同时,为了将前一代的选择经验传入下一代,采用迁移学习的方式进行网络训练,网络初始化参数来源于上一次已学习的网络。通过这种方式,每一代进化过程中,可以根据历史数据和当代种群个体特性的影响,学习不同的选择策略,以此决策进入下一代的个体,大大加速了进化算法的收敛速度。用可学习的DE算法优化构建的变化检测模型,能有效寻找到最优解。本发明能够较好地解决现有模糊聚类算法不能达到理想最优的问题,进一步加速算法收敛速度,从而实现精度相对较高的遥感影像变化检测结果。
一种基于可学习差分算法的遥感影像变化检测方法,其特征在于步骤如下:
步骤1:输入待检测的两时相遥感影像,计算其差异图像DI;设置初始参数并初始化种群xg,所述的初始参数包括种群规模Np、缩放因子Fde、交叉概率Cr、最大迭代次数gmax、选择个体概率Pns、训练样本占候选样本的比例Ptrain、模糊因子m、变量边界{bL,bU},bL<bU;随机初始化RBM网络参数,初始化迭代次数g=1,随机初始化模糊关系矩阵U,满足其中,K表示聚类类别总数,j=1,2,…,N,N表示差异图像DI包含的像素总数,ukj表示矩阵U中的第k行j列元素;
步骤2:对种群xg进行变异得到变异种群vg;
步骤3:将种群xg和其变异种群vg进行交叉得到交叉种群ug;
步骤4:分别比较种群xg与种群ug的每一个个体的差分进化优化函数值,选择函数值小的个体进入下一代种群,经此处理后得到下一代种群PSg,未进入下一代种群的个体构成种群PNSg;
步骤5:以概率Pns从PNSg种群中选择个体放入种群PSg,得到候选种群PSg′,剩余个体构成新种群PNSg′;
步骤6:以概率Ptrain分别从种群PSg′和PNSg′中选择个体作为网络训练样本,从PSg′种群中选择的个体标记为1,从PNSg′中选择的个体标记为0,每个所选择的个体及其标记构成一个训练样本;
步骤7:利用步骤6得到的训练样本对RBM网络进行训练,得到训练好的网络,保留训练好网络的超参数;
步骤8:将种群xg和种群ug中所有的个体同时输入到步骤7得到的训练好的网络中,网络输出结果矩阵Y,根据Y标记种群中的个体,得到下一代种群xg+1;
步骤9:令迭代次数g=g+1,如果g<gmax,返回步骤2,以种群xg+1替代初始种群进行迭代处理,否则,此时得到的种群xg+1即为最终的种群,转步骤10;
步骤11:以矩阵U*中的每个元素ukj作为差异图像DI中第j个像素点对于第k个类别的隶属度,j=1,2,…,N,k=1,2,…,K,如果ukj大于阈值A,则判定第j个像素点为变化类,否则,判定其为未变化类,如此将差异图像DI中每个像素点划分为变化类和未变化类,将变化类像素点的值置为1,将未变化类像素点的值置为0,得到遥感影像变化检测结果;所述的阈值A设置为0.5。
进一步地,步骤1所述的差异图像DI按下式计算得到:
DI=|log(I1)-log(I2)| (1)
其中,I1表示输入的一个时相遥感影像,I2表示输入的另外一个时相遥感影像。
进一步地,步骤1所述的初始参数设置为:Np=500,Fde∈(0,1+),Cr∈[0,1],gmax=20,,Pns=0.01,Ptrain=0.6,m=2,bL=0,bU=1。
进一步地,步骤2所述的变异是指对种群中的个体按下式进行处理得到变异后的个体:
其中,vi,g表示变异后的第i个个体,i=1,2,...,Np,表示基个体向量,r0表示基个体对应的索引;Fde为缩放因子,控制种群的进化速度;表示第一个随机个体向量,表示第二个随机个体向量,r1表示第一个随机个体向量索引,r2表示第二个随机个体向量索引;r0,r1,r2∈{1,2,...,Np}且r0≠r1≠r2≠i;
所有变异后的个体构成变异后的种群。
进一步地,步骤3所述的交叉是指对种群xg和其变异种群vg中的个体按下式进行处理得到交叉种群的个体:
其中,ui,g表示交叉后的第i个个体,i=1,2,...,Np,Cr表示交叉概率,xi,g表示种群xg中的第i个个体,vi,g表示变异种群vg中的第i个个体;rand(0,1)表示在0到1之间产生随机数。
进一步地,步骤4中所述的差分进化优化函数表达式如下:
其中,表示第i个个体的函数值,i=1,2,...,Np,Xj表示差异图像DI中的第j个像素点,j=1,2,...,N,N表示差异图像DI所包含像素点个数;m表示模糊因子,uki表示模糊关系矩阵U中的第k行j列元素,K表示聚类类别总数,表示第i个个体编码的第k个类别的聚类中心。
进一步地,步骤10中所述的模糊关系矩阵计算式如下:
其中,uki表示模糊关系矩阵U中的第k行j列元素,k=1,2…,K,j=1,2,…,N,表示最优个体编码的第k个类别的聚类中心,表示最优个体编码的第h个类别的聚类中心,Fkj和Fhj表示模糊局部相似度因子,分别按以下公式计算得到:
其中,Nl表示差异图像DI中第j个像素点为中心的邻域,l表示邻域Nl中的像素点序号,Xl表示邻域Nl中的第l个像素点,设邻域大小为w×w,本发明设定w=3,l=1,2,…,w2,djl表示差异图像DI中第j个像素点与其邻域Nl内的第l个像素点的空间欧式距离,ukj表示模糊关系矩阵U中的第k行j列元素;uhj表示模糊关系矩阵U中的第h行j列元素。
本发明的有益效果是:(1)由于在传统聚类算法的基础上引入结合神经网络差分进化(Differential Evolution,DE)优化,实现对目标模型的全局搜索求解得到最优点,具有更好的鲁棒性和灵活性,且能够在有限的迭代步骤内得到更优的结果,计算量小。(2)由于在变化检测过程中,利用邻域像素相似信息和空间距离信息,并采用可自主学习的差分进化算法进行搜索,能够有效抑制噪声对检测结果的影响,具有更高的检测精度。(3)由于在受限玻尔兹曼机(Restricted Boltzmann machine,RBM)网络的训练过程中,采用迁移学习方式将上一代的选择经验传入下一代,迭代更新网络参数,可以根据历史数据和当代种群个体特性的影响学习不同的选择策略,以此决策进入下一代个体,能够大大加速DE算法的收敛速度,以此配合可学习DE算法优化构建的变化检测模型,能更加有效地寻找到最优解。
附图说明
图1是本发明的一种基于可学习差分算法的遥感影像变化检测方法流程图;
图2是本发明的RBM网络学习流程图;
图3是不同方法在渥太华数据集上的变化检测结果图像;
图4是采用不同方法的优化结果对比图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
针对原始的模糊聚类算法迭代方式不能达到理想最优、对噪声敏感等问题,本发明提出了一种基于可学习差分算法的遥感影像变化检测方法。构建基于神经网络指导选择策略的DE算法,实现对目标模型进行全局的搜索求解,从而达到最优点。相比于现有方法,本发明具有更强的优化能力以及收敛速度,能够在有限的迭代步骤内实现更优的结果,最终能够获得细节部分更为完整的遥感影像变化检测结果,同时能够大幅减少斑点噪声,具有更高的检测精度。
如图1所示,本发明方法的具体实现过程如下:
1、初始化
输入待检测的两时相遥感影像,按照下式计算其差异图像DI:
DI=|log(I1)-log(I2)| (8)
其中,I1表示输入的一个时相遥感影像,I2表示输入的另外一个时相遥感影像。
同时,设置初始参数并初始化种群xg,所述的初始参数包括种群规模Np、变量维度D、缩放因子Fde、交叉概率Cr、最大迭代次数gmax、选择个体概率Pns、训练样本占候选样本的比例Ptrain、模糊因子m、变量边界{bL,bU},如设置Np=500,D=2,Fde∈(0,1+),Cr∈[0,1],gmax=50,Pns=0.01,Ptrain=0.6,m=2,bL=0,bU=1。
随机初始化受限玻尔兹曼机(Restricted Boltzmann machine,RBM)网络参数,初始化迭代次数g=1,随机初始化模糊关系矩阵U,满足其中,K表示聚类类别总数,j=1,2,…,N,N表示差异图像DI包含的像素总数,ukj表示矩阵U中的第k行j列元素。
2、变异
对种群xg进行变异得到变异种群vg。本发明采用的变异操作是差分变异,即将种群内个体向量之间的加权差异累加到其他个体上,进而得到新的个体,这种变异方式使得新的潜在最优个体由老的个体产生,不再孤立的随机生成,以满足自然进化的特征,具体如下式所示:
其中,vi,g表示变异后的第i个个体,i=1,2,...,Np,表示基个体向量,r0表示基个体对应的索引;Fde为缩放因子,控制种群的进化速度;表示第一个随机个体向量,表示第二个随机个体向量,r1表示第一个随机个体向量索引,r2表示第二个随机个体向量索引;r0,r1,r2∈{1,2,...,Np}且r0≠r1≠r2≠i。
所有变异后的个体构成变异后的种群。
3、交叉
将种群xg和其变异种群vg进行交叉得到交叉种群ug。为DE引入均匀交叉策略,以进一步增加种群的多样性,增强DE的搜索能力。具体采用以下公式进行计算:
其中,ui,g表示交叉后的第i个个体,i=1,2,...,Np,Cr表示交叉概率,控制交叉个体是从当前个体中复制还是从变异个体中复制,xi,g表示种群xg中的第i个个体,vi,g表示变异种群vg中的第i个个体;rand(0,1)表示在0到1之间产生随机数。
4、选择
分别比较种群xg与种群ug的每一个个体的差分进化优化函数值,选择函数值小的个体进入下一代种群,经此处理后得到下一代种群PSg,未进入下一代种群的个体构成种群PNSg。即:
其中,xi,g+1表示进入下一代种群的第i个个体,f(·)表示个体的差分进化优化函数,表达式如下:
其中,表示第i个个体的差分进化优化函数值,i=1,2,...,Np,Xj表示差异图像DI中的第j个像素点,j=1,2,...,N,N表示差异图像DI所包含像素点个数;m表示模糊因子,uki表示模糊关系矩阵U中的第k行j列元素。本发明中种群的个体是对聚类中心g进行编码的,即 表示第i个个体编码的第k个类别的聚类中心。
5、补充选择
以概率Pns从PNSg种群中选择个体放入种群PSg,得到候选种群PSg′,剩余个体构成新种群PNSg′。
6、构建训练样本
以概率Ptrain分别从种群PSg′和PNSg′中选择个体作为网络训练样本,从PSg′种群中选择的个体标记为1,从PNSg′中选择的个体标记为0,每个所选择的个体及其标记构成一个训练样本。
7、网络训练
以上一代网络参数作为网络的初始化参数,利用步骤6得到的训练样本对RBM网络进行训练,得到训练好的网络,保留训练好网络的超参数。
每一代神经网络的训练过程如图2所示。从图中可以看出,神经网络的训练采用迁移学习的方式,上一代的学习模型沿用到下一代中,这样在一定程度上能借鉴之前学习到的选择策略。
8、计算下一代种群
将种群xg和种群ug中所有的个体同时输入到步骤7得到的训练好的网络中,网络输出结果矩阵Y,Y是一个由0和1组成的矩阵,根据Y中数值为1的位置所对应的个体进行选择,得到下一代种群xg+1。
9、迭代处理
令迭代次数g=g+1,如果g<gmax,返回步骤2,以种群xg+1替代初始种群进行迭代处理,否则,此时得到的种群xg+1即为最终的种群,转步骤10。
10、计算最优模糊矩阵
本发明在每个迭代周期内,使用DE更新聚类中心向量,然后更新模糊关系矩阵,交替优化直至得到最优结果,具体包括:
(a)更新聚类中心向量
(b)更新模糊关系矩阵
其中,uki表示模糊关系矩阵U中的第k行j列元素,k=1,2…,K,j=1,2,…,N,表示最优个体编码的第k个类别的聚类中心,表示最优个体编码的第h个类别的聚类中心,Fkj和Fhj表示模糊局部相似度因子,分别按以下公式计算得到:
其中,Nl表示差异图像DI中第j个像素点为中心的邻域,l表示邻域Nl中的像素点序号,Xl表示邻域Nl中的第l个像素点,设邻域大小为w×w,本发明设定w=3,l=1,2,…,w2,djl表示差异图像DI中第j个像素点与其邻域Nl内的第l个像素点的空间欧式距离,ukj表示模糊关系矩阵U中的第k行j列元素;uhj表示模糊关系矩阵U中的第h行j列元素。
11、计算变化检测结果
以矩阵U*中的每个元素ukj作为差异图像DI中第j个像素点对于第k个类别的隶属度,j=1,2,…,N,k=1,2,按照对应类别的隶属度值大小,将差异图像DI中每个像素点划分为变化类和未变化类,具体为:如果ukj大于阈值A,则判定第j个像素点为变化类,否则,判定其为未变化类,其中,阈值A设置为0.5。然后,将变化类像素点的值置为1,将未变化类像素点的值置为0,得到遥感影像变化检测结果。
为验证本发明方法的有效性,在Intel(R)Core(TM)i5-3210M CPU 2.5GHzWindows 10系统下,在Python3.5运行平台上进行仿真实验。实验数据为渥太华数据集,此数据集是加拿大国防研究与发展中心用RADARSAT SAR传感器拍摄的渥太华地区的影像数据,实验截取了部分区域。此数据集包含两张拍摄同一地区的影像,一张拍摄于1997年的7月,另一张拍摄于1997年的8月,在此期间该地区经历过洪灾。真实变化检测结果图是用两幅原始影像,基于先验信息和摄像机判读技术得到的真实变化检测图(人工标注),用于评估算法的检测结果。
实验选择评估算法性能的量化指标为正确分类率(Percentage correctclassification,PCC)和Kappa系数,PCC说明变化检测的整体准确率,Kappa用于衡量分类精度系数,数值越大说明分类精度越高。
实验分别采用本发明方法和现有的FCM、FLICM算法进行处理。初始参数设置如表1所示。
表1
参数 | 含义 | 值 |
N<sub>p</sub> | 种群规模 | 500 |
D | 变量维度 | 2 |
F<sub>de</sub> | 缩放因子 | 0.15 |
C<sub>r</sub> | 交叉概率 | 0.5 |
g<sub>max</sub> | 最大迭代次数 | 50 |
P<sub>ns</sub> | 选择个体的概率 | 0.01 |
P<sub>train</sub> | 训练样本占候选样本的比例 | 0.6 |
m | 模糊因子 | 2 |
{b<sub>L</sub>,b<sub>U</sub>} | 变量边界向量 | [0,1] |
architecture | 神经网络结构 | [2 100 25 1] |
图3给出了三种方法检测结果图像,图中,从左到右依次是FCM算法结果图、FLICM算法结果图、本发明方法结果图。三种算法的PCC和Kappa系数计算结果如表2所示。从表中可以发现,本发明方法的PCC和Kappa系数均高于FCM和FLICM方法的结果,具有最优的检测效果。
表2
为了对比所提出算法与经典DE算法在收敛速度上的对比,在实验过程中,除了设定的参数一致外,两种算法的初始化种群也保持一致。对于每一个迭代周期内,种群中所有个体在代价函数中的损失函数值的均值作为本次迭代优化的结果。本发明与对比算法的优化结果如图4所示。其中,横轴表示迭代步数,纵轴是损失函数值的对数值,带圆圈(○)的曲线是本发明方法的结果,带星号(*)的曲线是经典DE算法的结果。可以看出,本发明在每一个相同的迭代周期内均能达到更小的损失函数值,说明本发明方法能在有限的迭代步骤内实现更优的结果。更少的迭代步骤,意味着使用更小的计算资源就能得到不错的结果,在一定程度上能够体现神经网络自主学习选择策略的优越性。
Claims (7)
1.一种基于可学习差分算法的遥感影像变化检测方法,其特征在于步骤如下:
步骤1:输入待检测的两时相遥感影像,计算其差异图像DI;设置初始参数并初始化种群xg,所述的初始参数包括种群规模Np、缩放因子Fde、交叉概率Cr、最大迭代次数gmax、选择个体概率Pns、训练样本占候选样本的比例Ptrain、模糊因子m、变量边界{bL,bU},bL<bU;随机初始化RBM网络参数,初始化迭代次数g=1,随机初始化模糊关系矩阵U,满足其中,K表示聚类类别总数,j=1,2,…,N,N表示差异图像DI包含的像素总数,ukj表示矩阵U中的第k行j列元素;
步骤2:对种群xg进行变异得到变异种群vg;
步骤3:将种群xg和其变异种群vg进行交叉得到交叉种群ug;
步骤4:分别比较种群xg与种群ug的每一个个体的差分进化优化函数值,选择函数值小的个体进入下一代种群,经此处理后得到下一代种群PSg,未进入下一代种群的个体构成种群PNSg;
步骤5:以概率Pns从PNSg种群中选择个体放入种群PSg,得到候选种群PSg′,剩余个体构成新种群PNSg′;
步骤6:以概率Ptrain分别从种群PSg′和PNSg′中选择个体作为网络训练样本,从PSg′种群中选择的个体标记为1,从PNSg′中选择的个体标记为0,每个所选择的个体及其标记构成一个训练样本;
步骤7:利用步骤6得到的训练样本对RBM网络进行训练,得到训练好的网络,保留训练好网络的超参数;
步骤8:将种群xg和种群ug中所有的个体同时输入到步骤7得到的训练好的网络中,网络输出结果矩阵Y,根据Y标记种群中的个体,得到下一代种群xg+1;
步骤9:令迭代次数g=g+1,如果g<gmax,返回步骤2,以种群xg+1替代初始种群进行迭代处理,否则,此时得到的种群xg+1即为最终的种群,转步骤10;
步骤11:以矩阵U*中的每个元素ukj作为差异图像DI中第j个像素点对于第k个类别的隶属度,j=1,2,…,N,k=1,2,…,K,如果ukj大于阈值A,则判定第j个像素点为变化类,否则,判定其为未变化类,如此将差异图像DI中每个像素点划分为变化类和未变化类,将变化类像素点的值置为1,将未变化类像素点的值置为0,得到遥感影像变化检测结果;所述的阈值A设置为0.5。
2.如权利要求1所述的一种基于可学习差分算法的遥感影像变化检测方法,其特征在于:步骤1所述的差异图像DI按下式计算得到:
DI=|log(I1)-log(I2)| (1)
其中,I1表示输入的一个时相遥感影像,I2表示输入的另外一个时相遥感影像。
3.如权利要求1或2所述的一种基于可学习差分算法的遥感影像变化检测方法,其特征在于:步骤1所述的初始参数设置为:Np=500,Fde∈(0,1+),Cr∈[0,1],gmax=20,,Pns=0.01,Ptrain=0.6,m=2,bL=0,bU=1。
7.如权利要求1、2、3、4、5或6所述的一种基于可学习差分算法的遥感影像变化检测方法,其特征在于:步骤10中所述的模糊关系矩阵计算式如下:
其中,uki表示模糊关系矩阵U中的第k行j列元素,k=1,2…,K,j=1,2,…,N,表示最优个体编码的第k个类别的聚类中心,表示最优个体编码的第h个类别的聚类中心,Fkj和Fhj表示模糊局部相似度因子,分别按以下公式计算得到:
其中,Nl表示差异图像DI中第j个像素点为中心的邻域,l表示邻域Nl中的像素点序号,Xl表示邻域Nl中的第l个像素点,设邻域大小为w×w,本发明设定w=3,l=1,2,…,w2,djl表示差异图像DI中第j个像素点与其邻域Nl内的第l个像素点的空间欧式距离,ukj表示模糊关系矩阵U中的第k行j列元素;uhj表示模糊关系矩阵U中的第h行j列元素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011300324.9A CN112509017B (zh) | 2020-11-18 | 2020-11-18 | 一种基于可学习差分算法的遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011300324.9A CN112509017B (zh) | 2020-11-18 | 2020-11-18 | 一种基于可学习差分算法的遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112509017A true CN112509017A (zh) | 2021-03-16 |
CN112509017B CN112509017B (zh) | 2024-06-28 |
Family
ID=74958656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011300324.9A Active CN112509017B (zh) | 2020-11-18 | 2020-11-18 | 一种基于可学习差分算法的遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112509017B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255451A (zh) * | 2021-04-25 | 2021-08-13 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
CN113658110A (zh) * | 2021-07-22 | 2021-11-16 | 西南财经大学 | 一种基于动态领域自适应学习的医学图像识别方法 |
CN114549966A (zh) * | 2022-01-05 | 2022-05-27 | 西安电子科技大学 | 基于多任务子网络分解的sar变化检测网络训练方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120020573A1 (en) * | 2010-07-20 | 2012-01-26 | Lockheed Martin Corporation | Image analysis systems using non-linear data processing techniques and methods using same |
CN104751176A (zh) * | 2015-03-24 | 2015-07-01 | 河海大学 | 一种高光谱遥感影像波段选择方法 |
CN106203521A (zh) * | 2016-07-15 | 2016-12-07 | 西安电子科技大学 | 基于差异图自步学习的sar图像变化检测方法 |
CN106411896A (zh) * | 2016-09-30 | 2017-02-15 | 重庆邮电大学 | 基于apde‑rbf神经网络的网络安全态势预测方法 |
AU2019100967A4 (en) * | 2019-08-29 | 2019-10-03 | Fuming Jiang | An environment perception system for unmanned driving vehicles based on deep learning |
US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
-
2020
- 2020-11-18 CN CN202011300324.9A patent/CN112509017B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120020573A1 (en) * | 2010-07-20 | 2012-01-26 | Lockheed Martin Corporation | Image analysis systems using non-linear data processing techniques and methods using same |
CN104751176A (zh) * | 2015-03-24 | 2015-07-01 | 河海大学 | 一种高光谱遥感影像波段选择方法 |
CN106203521A (zh) * | 2016-07-15 | 2016-12-07 | 西安电子科技大学 | 基于差异图自步学习的sar图像变化检测方法 |
CN106411896A (zh) * | 2016-09-30 | 2017-02-15 | 重庆邮电大学 | 基于apde‑rbf神经网络的网络安全态势预测方法 |
US20200026953A1 (en) * | 2018-07-23 | 2020-01-23 | Wuhan University | Method and system of extraction of impervious surface of remote sensing image |
AU2019100967A4 (en) * | 2019-08-29 | 2019-10-03 | Fuming Jiang | An environment perception system for unmanned driving vehicles based on deep learning |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255451A (zh) * | 2021-04-25 | 2021-08-13 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
CN113255451B (zh) * | 2021-04-25 | 2023-04-07 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
CN113658110A (zh) * | 2021-07-22 | 2021-11-16 | 西南财经大学 | 一种基于动态领域自适应学习的医学图像识别方法 |
CN114549966A (zh) * | 2022-01-05 | 2022-05-27 | 西安电子科技大学 | 基于多任务子网络分解的sar变化检测网络训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112509017B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN109118564B (zh) | 一种基于融合体素的三维点云标记方法和装置 | |
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 | |
CN111583263B (zh) | 一种基于联合动态图卷积的点云分割方法 | |
CN108537102B (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
Mohamad et al. | Bacteria identification from microscopic morphology: a survey | |
CN109741341B (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN112509017A (zh) | 一种基于可学习差分算法的遥感影像变化检测方法 | |
Shang et al. | Change detection in SAR images by artificial immune multi-objective clustering | |
CN103914705B (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
CN113469270B (zh) | 基于分解多目标差分进化超像素的半监督直觉聚类方法 | |
CN103714148B (zh) | 基于稀疏编码分类的sar图像检索方法 | |
CN110716792B (zh) | 一种目标检测器及其构建方法和应用 | |
CN112085765B (zh) | 结合粒子滤波及度量学习的视频目标跟踪方法 | |
CN109840518B (zh) | 一种结合分类与域适应的视觉追踪方法 | |
CN113129311B (zh) | 一种标签优化点云实例分割方法 | |
CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
CN108268890A (zh) | 一种高光谱图像分类方法 | |
CN110298392A (zh) | 一种标签约束自权重多超图学习的半监督分类方法 | |
CN108921853B (zh) | 基于超像素和免疫稀疏谱聚类的图像分割方法 | |
CN117557579A (zh) | 一种空洞金字塔协同注意力机制助力无监督超像素分割方法及系统 | |
CN111241957A (zh) | 一种基于多特征融合和de-elm的手指静脉活体检测方法 | |
CN111815640A (zh) | 一种基于忆阻器的rbf神经网络医学图像分割算法 | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |