CN113191996A - 一种遥感影像变化检测方法、装置及其电子设备 - Google Patents

一种遥感影像变化检测方法、装置及其电子设备 Download PDF

Info

Publication number
CN113191996A
CN113191996A CN202011257016.2A CN202011257016A CN113191996A CN 113191996 A CN113191996 A CN 113191996A CN 202011257016 A CN202011257016 A CN 202011257016A CN 113191996 A CN113191996 A CN 113191996A
Authority
CN
China
Prior art keywords
network
trained
remote sensing
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
Application number
CN202011257016.2A
Other languages
English (en)
Inventor
侍佼
雷雨
张泽平
周德云
刘晓冬
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.)
Xi'an Wind and Thunder Testing Technology Co.,Ltd.
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202011257016.2A priority Critical patent/CN113191996A/zh
Publication of CN113191996A publication Critical patent/CN113191996A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • 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]

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)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种遥感影像变化检测方法、装置及其电子设备，方法包括：获取第一、第二遥感影像图像，根据第一遥感影像图像得到第一训练数据集，根据第二遥感影像图像得到第二训练数据集；构建第一SAE网络并采用第一训练数据集训练第一SAE网络得到训练好的第一SAE网络，构建第二SAE网络并采用第二训练数据集训练第二SAE网络得到训练好的第二SAE网络；根据训练好的第一SAE网络和训练好的第二SAE网络对差分神经网络进行训练得到训练好的差分神经网络；将测试第一、第二遥感影像图像输入至训练好的差分神经网络得到遥感影像的变化检测结果。本发明通过两个SAE网络特征提取后再输入差分神经网络进行检测，检测适用于复杂的遥感影像，并且变化检测结果精度较高。

Description

一种遥感影像变化检测方法、装置及其电子设备
技术领域
本发明属于图像处理技术领域，具体涉及一种遥感影像变化检测方法、装置及其电子设备。
背景技术
由于合成孔径雷达(Synthetic Aperture Radar，简称SAR)图像的迅猛发展趋势，在国内外均掀起了一阵研究热潮。目前，对于SAR图像变化检测的研究已经进入了一个相当成熟的阶段。各种算法竞相提出，效果不断提升，研究层面也越来越深入。
Bruzzone和Prieto于2002年首次提出了一种基于差异图像生成和分析的无监督三步流程范式：1)图像预处理(包括图像配准、去噪等)；2)利用某一个算子生成能初步反映两幅图像变化情况的差异图像；3)利用某一分类算法对差异图像进行分析，从而获得最终的变化检测图。在差异图像生成方面，最为简洁的方法就是将两幅图像强度值作差后取绝对值。阈值法尝试选取最优阈值对差异图像进行直接划分，太过生硬，不适合目标比较复杂的遥感影像。对于SAR图像来说，由于其固有的相干斑噪声是乘性的，单纯相减不能够消除其噪声影响，因此不适宜利用差值算子构造两幅SAR图像间的差异图像。为了解决这个问题，可以使用比值算子构建差异图像，从而达到抑制乘性相干斑的目的。Gong等人在2012年提出了一种基于邻域信息的比值算子，该算子在空域上将比值差异图像与均值比(Mean-Ration,简称MR)差异图像利用一个自适应权值相融合，从而达到边缘等异质区域更多地保留图像原有细节的效果。Ma等人在2012年将对数比(Log-Ratio，简称LR)差异图像的高频信息和MR差异图像的低频信息按照一定的融合规则融合，得到了基于小波融合的算子的差异图像。
传统的聚类算法在算法易用性和变化检测性能之间有相对实用的价值，但是在处理相对复杂的遥感影像时，例如多光谱影像、高光谱影像和异源影像等，传统算法将难以胜任检测工作；另外，传统的变化检测算法结果严重依赖于生成的差异图像的质量，当生成的差异图像信息受损时，这种错误将会累积到第三步中，导致最终生成的变化检测结果图更加糟糕。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种遥感影像变化检测方法、装置、电子设备及其存储介质。
本发明实施例提供了一种遥感影像变化检测方法，包括：
步骤1、获取第一遥感影像图像和第二遥感影像图像，根据所述第一遥感影像图像得到第一训练数据集，根据所述第二遥感影像图像得到第二训练数据集；
步骤2、构建第一SAE网络并采用所述第一训练数据集训练所述第一SAE网络得到训练好的第一SAE网络，构建第二SAE网络并采用所述第二训练数据集训练所述第二SAE网络得到训练好的第二SAE网络；
步骤3、根据所述训练好的第一SAE网络和所述训练好的第二SAE网络对差分神经网络进行训练得到训练好的差分神经网络；
步骤4、将测试第一遥感影像图像和测试第二遥感影像图像输入至所述训练好的差分神经网络得到遥感影像的变化检测结果。
在本发明的一个实施例中，所述步骤1中根据所述第一遥感影像图像得到第一训练数据集，根据所述第二遥感影像图像得到第二训练数据集具体包括：
所述第一遥感影像图像I1的大小为row×col，将所述第一遥感影像图像I1划分为以(i,j)为中心大小为w×w的若干邻域
Figure BDA0002773435290000021
再将每个所述邻域
Figure BDA0002773435290000022
按行或者列展开成w2维向量得到第一训练数据集
Figure BDA00027734352900000310
Figure BDA0002773435290000031
Figure BDA0002773435290000032
表示第一遥感影像图像I1在以(i,j)为中心时邻域
Figure BDA0002773435290000033
按行或者列展开成的w2维向量；
所述第二遥感影像图像I2的大小为row×col，将所述第二遥感影像图像I2划分为以(i,j)为中心大小为w×w的若干邻域
Figure BDA0002773435290000034
再将每个所述邻域
Figure BDA0002773435290000035
按行或者列展开成w2维向量得到第二训练数据集
Figure BDA0002773435290000036
Figure BDA0002773435290000037
Figure BDA0002773435290000038
表示第二遥感影像图像I2在以(i,j)为中心时邻域
Figure BDA0002773435290000039
按行或者列展开成的w2维向量。
在本发明的一个实施例中，所述步骤2具体包括：
所述第一SAE网络由若干第一自编码器网络级联而成，其中，每个所述第一自编码器网络独立根据第一训练数据集并采用BP算法进行训练得到训练好的第一自编码器网络，将独立的每个所述训练好的第一自编码器网络移除输出层，再将移除输出层的每个训练好的第一自编码器网络级联得到所述训练好的第一SAE网络；
所述第二SAE网络由若干第二自编码器网络级联而成，其中，每个所述第二自编码器网络独立根据第二训练数据集并采用BP算法进行训练得到训练好的第二自编码器网络，将独立的每个所述训练好的第二自编码器网络移除输出层，再将移除输出层的每个训练好的第二自编码器网络级联得到所述训练好的第二SAE网络。
在本发明的一个实施例中，所述步骤3具体包括：
将所述训练好的第一SAE网络和所述训练好的第二SAE网络的输出之差作为所述差分神经网络的输入；
根据预设规则并采用BP算法训练所述差分神经网络得到所述训练好的差分神经网络。
在本发明的一个实施例中，根据预设规则并采用BP算法训练所述差分神经网络得到训练好的差分神经网络包括：
构建差分神经网络的损失函数，所述损失函数包括所述第一遥感影像图像和所述第二遥感影像图像的差异图像；
根据预设规则并采用BP算法在所述差分神经网络的损失函数上训练所述差分神经网络得到所述训练好的差分神经网络。
在本发明的一个实施例中，所述差异图像采用对数比函数求得，所述差异图像XL表示为：
Figure BDA0002773435290000041
其中，
Figure BDA0002773435290000042
表示第一遥感影像图像，
Figure BDA0002773435290000043
表示第二遥感影像图像。
在本发明的一个实施例中，构建的差分神经网络的损失函数为：
Figure BDA0002773435290000044
其中，W,b,XL表示差分神经网络的网络参数，W表示差分神经网络的权值参数，b表示差分神经网络的偏置参数，XL表示差异图像，m表示训练数据个数，训练数据包括第一训练数据和第二训练数据，
Figure BDA0002773435290000045
表示差异图像的像素点值，
Figure BDA0002773435290000046
表示训练好的第一SAE网络对应的第k个第一训练数据的输出，
Figure BDA0002773435290000047
表示训练好的第二SAE网络对应的第k个第二训练数据的输出，
Figure BDA0002773435290000048
Figure BDA0002773435290000049
表示差异图像邻域内像素点均值，
Figure BDA00027734352900000410
Nk表示差异图像邻域内像素个数，
Figure BDA00027734352900000411
表示差异图像邻域内第i个像素点，Jre表示正则项，
Figure BDA00027734352900000412
nl表示差分神经网络层数，Sl表示差分神经网络第l层的神经元个数，
Figure BDA0002773435290000051
表示差分神经网络第l层的权值矩阵。
在本发明的一个实施例中，根据预设规则并采用BP算法在所述差分神经网络的损失函数上训练所述差分神经网络得到所述训练好的差分神经网络包括：
固定所述第二SAE网络的输出f2和所述差异图像XL，采用BP算法在所述差分神经网络的损失函数上更新第一SAE网络的输出f1；
固定所述第一SAE网络的输出f1和所述差异图像XL，采用BP算法在所述差分神经网络的损失函数上所述第二SAE网络的输出f2；
同时固定所述第二SAE网络的输出f2和所述第一SAE网络的输出f1，采用BP算法在所述差分神经网络的损失函数上更新差异图像XL；
直到训练过程中所述差分神经网络满足预设结束条件得到所述训练好的差分神经网络。
本发明的另一个实施例提供了一种遥感影像变化检测装置，该装置包括：
数据获取模块，用于获取第一遥感影像图像和第二遥感影像图像，根据所述第一遥感影像图像得到第一训练数据集，根据所述第二遥感影像图像得到第二训练数据集；
第一模型训练模块，用于构建第一SAE网络并采用所述第一训练数据集训练所述第一SAE网络得到训练好的第一SAE网络，构建第二SAE网络并采用所述第二训练数据集训练所述第二SAE网络得到训练好的第二SAE网络；
第二模型训练模块，用于根据所述训练好的第一SAE网络和所述训练好的第二SAE网络对差分神经网络进行训练得到训练好的差分神经网络；
数据测试模块，用于将测试第一遥感影像图像和测试第二遥感影像图像输入至所述训练好的差分神经网络得到最终遥感影像的变化检测结果。
本发明的另一个实施例提供了一种遥感影像变化检测电子设备，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现上述任一项所述的遥感影像变化检测方法。
与现有技术相比，本发明的有益效果：
本发明提供的遥感影像变化检测方法，避免了原始像素值的直接比较，打破了传统变化检测框架三步走的壁垒，使得最终的变化检测结果不再依赖于差异图像的生成质量，通过两个SAE网络特征提取后再输入差分神经网络进行检测，该检测方法适用于复杂的遥感影像，并且最终生成的变化检测结果精度较高。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种遥感影像变化检测方法的流程示意图；
图2是本发明实施例提供的一种遥感影像变化检测方法中SAE网络的构建过程示意图；
图3是本发明实施例提供的一种遥感影像变化检测方法中差分神经网络训练过程示意图；
图4是本发明实施例提供的一种遥感影像变化检测方法中训练数据的组建过程示意图；
图5a～图5c是本发明实施例提供的来自于渥太华多时相遥感影像示意图；
图6a～图6c是本发明算法、RFLICM算法、RBMFLICM算法在渥太华数据集上的变化检测结果对比示意图；
图7a～图7c是本发明算法、RFLICM算法、RBMFLICM算法在黄河口沿岸数据集上的变化检测结果对比示意图；
图8a～图8c是本发明算法、RFLICM算法、RBMFLICM算法在黄河口农田数据集上的变化检测结果对比示意图；
图9是本发明实施例提供的一种遥感影像变化检测装置的结构示意图；
图10是本发明实施例提供的一种遥感影像变化检测电子设备的结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
传统的变化检测框架存在神经网络泛化误差大、斑点噪声影响严重和变化检测结果的效果严重依赖于生成差异图像的质量等问题。基于上述存在的问题，请参见图1，图1是本发明实施例提供的一种遥感影像变化检测方法的流程示意图，本发明实施例提供了一种遥感影像变化检测方法，该遥感影像变化检测方法包括以下步骤：
步骤1、获取第一遥感影像图像和第二遥感影像图像，根据第一遥感影像图像得到第一训练数据集，根据第二遥感影像图像得到第二训练数据集。
具体而言，本实施例首先获取第一遥感影像图像和第二遥感影像图像，根据第一遥感影像图像得到第一训练数据集，根据第二遥感影像图像得到第二训练数据集具体得到第一训练数据集、第二训练数据集包括：
假设第一遥感影像图像I1的大小为row×col，将第一遥感影像图像I1划分为以(i,j)像素点为中心大小为w×w的若干邻域
Figure BDA0002773435290000071
再将每个邻域
Figure BDA0002773435290000072
按行或者列展开成w2维向量得到第一训练数据集
Figure BDA0002773435290000073
Figure BDA0002773435290000081
Figure BDA0002773435290000082
表示第一遥感影像图像I1在以(i,j)像素点为中心时邻域
Figure BDA0002773435290000083
按行或者列展开成的w2维向量；
用同样的方式，第二遥感影像图像I2的大小为row×col，将第二遥感影像图像I2划分为以(i,j)像素点为中心大小为w×w的若干邻域
Figure BDA0002773435290000084
再将每个邻域
Figure BDA0002773435290000085
按行或者列展开成w2维向量得到第二训练数据集
Figure BDA0002773435290000086
Figure BDA0002773435290000087
Figure BDA0002773435290000088
表示第二遥感影像图像I2在以(i,j)像素点为中心时邻域
Figure BDA0002773435290000089
按行或者列展开成的w2维向量。
步骤2、构建第一网络并采用第一训练数据集训练第一SAE网络得到训练好的第一SAE网络，构建第二SAE网络并采用第二训练数据集训练第二SAE网络得到训练好的第二SAE网络。
具体而言，请参见图2，图2是本发明实施例提供的一种遥感影像变化检测方法中SAE网络的构建过程示意图，本实施例堆栈自编码器(Stacked Auto-Encoder,简称SAE)网络由若干自编码器(Auto-Encoder,简称AE)网络级联而成，每个AE网络包括输入层、隐藏层、输出层，其中，每个AE网络独立根据训练数据集并采用后向传播(Back Propagation，简称BP)算法进行训练得到训练好的AE网络，将独立的每个训练好的AE网络移除输出层，再将移除输出层的每个训练好的AE网络级联得到训练好的SAE网络，具体地：
由于自编码器网络学习目标是使输出和输入尽可能相似，则可以定义AE网络的损失函数为
Figure BDA00027734352900000810
其中，权值矩阵W＝[W(1),W(2)]，W(1)表示输入层和隐藏层之间的权值矩阵，W(2)表示隐藏层和输出层的权值矩阵，偏置b＝[b(1),b(2)]，b(1)表示输入层偏置，b(2)表示隐藏层偏置，x表示输入AE网络训练样本，y表示训练样本对应的AE网络输出。假设有m个第一训练样本，则AE网络总的损失函数更新为
Figure BDA0002773435290000091
其中，x(i)表示输入AE网络的第i个训练样本，y(i)表示第i个训练样本对应的AE网络输出。当AE网络中隐藏层的单元数大于N时，N为大于0的整数，考虑稀疏限制，稀疏函数表示为
Figure BDA0002773435290000092
其中，β表示控制稀疏性的权重，取值在[0,1]，Sh表示第h隐藏层的神经元个数，ρ是稀疏参数，代表AE网络中神经元的平均激活程度，
Figure BDA0002773435290000093
表示m个训练样本隐藏层的平均激活度，
Figure BDA0002773435290000094
hj(x(i))表示当输入为x(i)时隐藏层的激活度，KL(.)表示Kullback-Leibler Divergence距离函数，
Figure BDA0002773435290000095
表示当用概率分布
Figure BDA0002773435290000096
来拟合真实分布ρ时，产生的信息损耗，用于度量两个分布的相似度。则AE网络最终总的损失函数表示为：
Figure BDA0002773435290000097
根据公式(1)的损失函数使用BP算法训练AE网络，训练过程中不断调整单个独立AE网络的网络参数得到独立训练好的AE网络。
本实施例第一SAE网络由若干第一自编码器网络级联而成，每个第一自编码器网络采用上述独立AE网络训练方法根据第一训练数据训练得到训练好的第一自编码器网络，将独立的每个训练好的第一自编码器网络移除输出层，再将移除输出层的每个训练好的第一自编码器网络级联得到训练好的第一SAE网络。
同理，本实施例第二SAE网络由若干第二自编码器网络级联而成，其中，每个第二自编码器网络独立根据第二训练数据集并采用BP算法进行训练得到训练好的第二自编码器网络，将独立的每个训练好的第二自编码器网络移除输出层，再将移除输出层的每个训练好的第二自编码器网络级联得到训练好的第二SAE网络。其中，第二SAE网络中每个第二自编码器网络采用上述独立AE网络训练方法训练得到训练好的第二自编码器网络，将独立的每个训练好的第二自编码器网络移除输出层，再将移除输出层的每个训练好的第二自编码器网络级联得到训练好的第二SAE网络。
由于SAE网络的优势在于无监督地学习原始图像的数据特征，利用深度学习提取像素的高维特征，训练好的第一SAE网络、训练好的第二SAE网络的网络参数得到初步的调整，与直接随机初始化网络参数相比，此时的网络参数更接近于全局最优，使得训练好的第一SAE网络、训练好的第二SAE网络的输出能很好地表征第一遥感影像图像、第二遥感影像图像之间的差异。
步骤3、根据训练好的第一SAE网络和训练好的第二SAE网络对差分神经网络进行训练得到训练好的差分神经网络。
具体而言，请参见图3，图3是本发明实施例提供的一种遥感影像变化检测方法中差分神经网络训练过程示意图，本实施例通过步骤2训练得到训练好的第一SAE网络、训练好的第二SAE网络，训练好的第一SAE网络对应的网络参数为θ1＝[W1,b1]、网络输出为f1，训练好的第二SAE网络对应的网络参数为θ2＝[W2,b2]、网络输出为f2，将训练好的第一SAE网络、训练好的第二SAE网络展开的神经网络组合成本实施例的差分神经网络，本实施例将训练好的第一SAE网络、训练好的第二SAE网络输出之差作为差分神经网络的输入f＝[f1,f2]，并采用BP算法训练差分神经网络得到训练好的差分神经网络。其中，差分神经网络还可以为现有差分神经网络。
为了训练差分神经网络实现变化的检测，本实施例在第一SAE网络、第二SAE网络训练后，重新设计差分神经网络的损失函数以微调差分神经网络得到最终优化的差分神经网络。具体地：本实施例设计差分神经网络的损失函数时考虑两个因素：(1)两幅原始图像(本实施例为第一遥感影像图像和第二遥感影像图像)的差异；(2)原始图像斑点噪声。其中，本实施例第一遥感影像图像和第二遥感影像图像的差异图像(Difference Image，简称DI)采用对数比函数求得，所述差异图像XL表示为：
Figure BDA0002773435290000111
其中，
Figure BDA0002773435290000112
表示第一遥感影像图像，
Figure BDA0002773435290000113
表示第二遥感影像图像；为了降低斑点噪声的影响，本实施例将差异图像DI中每个像素点与邻域内像素点距离的均值加入差分神经网络的损失函数；而当差分神经网络的输入f为0时，差异图像DI将会被优化为1，因此，本实施例在差分神经网络的损失函数中单独加上差异图像DI。
最终，本实施例构建的差分神经网络的损失函数表示为：
Figure BDA0002773435290000114
其中，W,b,XL表示差分神经网络的网络参数，W表示差分神经网络的权值参数，b表示差分神经网络的偏置参数，XL表示差异图像，m表示训练数据个数，训练数据包括第一训练数据和第二训练数据，
Figure BDA0002773435290000115
表示差异图像的像素点值，
Figure BDA0002773435290000116
表示训练好的第一SAE网络对应的第k个第一训练数据的输出，
Figure BDA0002773435290000117
表示训练好的第二SAE网络对应的第k个第二训练数据的输出，
Figure BDA0002773435290000118
Figure BDA0002773435290000119
表示差异图像邻域内像素点均值，
Figure BDA00027734352900001110
Nk表示差异图像邻域内像素个数，
Figure BDA00027734352900001111
表示差异图像邻域内第i个像素点，Jre表示正则项，
Figure BDA00027734352900001112
nl表示差分神经网络层数，Sl表示差分神经网络第l层的神经元个数，
Figure BDA0002773435290000121
表示差分神经网络第l层的权值矩阵。
进一步地，本实施例根据预设规则并采用BP算法在差分神经网络的损失函数上训练差分神经网络得到训练好的差分神经网络。
具体而言，由公式(2)可以看到差分神经网络的损失函数Jtune(W,b,XL)中，需要更新的参数有W,b,XL。由梯度下降算法可以推导各个参数的更新公式如下：
Figure BDA0002773435290000122
Figure BDA0002773435290000123
其中，α表示学习率，本实施例优选α＝0.00005，W(l)表示差分神经网络第l层的权重，ΔW(l)表示对W(l)求梯度，b(l)表示差分神经网络第l层的偏置，Δb(l)表示对Δb(l)求梯度，δ(l)表示差分神经网络第l层的误差，a(l)表示差分神经网络第l层中各神经元输出激励，sigmoid(·)表示sigmoid激活函数，
Figure BDA0002773435290000124
需要注意的是，
Figure BDA0002773435290000125
的长度等于δ(l)，训练好的第一SAE网络、训练好的第二SAE网络展开形成的差分神经网络的网络参数可以根据上述各参数的更新公式来更新。其中，训练好的第一SAE网络、训练好的第二SAE网络的最后一层的误差项是有区别的，训练好的第一SAE网络最后一层的误差项表示为：
Figure BDA0002773435290000131
训练好的第二SAE网络的最后一层的误差项表示为：
Figure BDA0002773435290000132
由于整个差分神经网络是耦合的，训练优化过程中采用交替优化的方式，因此，其中一个SAE网络的上一代输出是另一个SAE网络当前迭代周期的标签，微调差分神经网络，让网络参数达到最优，微调差分神经网络是一个有监督的学习过程，本实施例差分神经网络的网络参数可以根据上述各参数的更新公式来更新，具体地：
首先，固定第二SAE网络的输出f2和差异图像XL，根据公式(3)、公式(4)、公式(5)采用BP算法在差分神经网络的损失函数上更新第一SAE网络的输出f1，对第一SAE网络的输出f1进行微调。
接着，固定第一SAE网络的输出f1和差异图像XL，根据公式(3)、公式(4)、公式(5)、公式(6)采用BP算法在差分神经网络的损失函数上更新第二SAE网络的输出f2，对第二SAE网络的输出f2进行微调。
最后，同时固定第二SAE网络的输出f2和第一SAE网络的输出f1，根据公式(4)采用BP算法在差分神经网络的损失函数上更新差异图像XL；
直到训练过程中差分神经网络满足预设结束条件，最终输出差分神经网络的最优网络参数W,b,XL，对应得到训练好的差分神经网络。本实施例预设结束条件为差分神经网络的损失函数的值小于0.01。
请参见图4，图4是本发明实施例提供的一种遥感影像变化检测方法中训练数据的组建过程示意图。本实施例将第一遥感影像图像I1和第二遥感影像图像I2的生成的训练数据分别输入第一SAE网络、第二SAE网络进行训练，然后将第一SAE网络、第二SAE网络特征提取的输出之差作为整个差分神经网络的输入，差分神经网络进行差异分析，最后将差异向量输入一个分类网络实现变化检测，如图4所示。
步骤4、将测试第一遥感影像图像和测试第二遥感影像图像输入至训练好的差分神经网络得到最终遥感影像的变化检测结果。
具体而言，在步骤3中差分神经网络训练完毕时，差分神经网络的输入为最优，将此时最优网络参数W,b,XL对应的差分神经网络作为最终训练好的差分神经网络，用于二元遥感影像变化检测，比如将测试第一遥感影像图像和测试第二遥感影像图像输入至训练好的差分神经网络就可以得到对应测试遥感影像图像的变化检测结果。
为了说明本实施例提出的遥感影像变化检测方法的有效性，通过以下实验进一步说明：
1.实验条件与评价指标：
在Intel(R)Core(TM)i5-3210M CPU 2.5GHz Windows 10系统下和Python3.6运行平台上进行。
为了验证本实施例遥感影像变化检测方法的性能，本实施例将提出的遥感影像变化检测方法应用到真实世界中的遥感影像数据中，并且与重构模糊局部信息c均值算法(Reformulated Fuzzy Local.information C-means Algorithm,简称RFLICM)、基于受限玻尔兹曼机的模糊局部信息c均值算法(RBM-based Fuzzy Local.information C-meansAlgorithm,简称RBMFLICM)两种算法进行了比较。且比较时选择评估算法性能的量化指标主要有：(1)真正率(True Positive，简称TP)，表示正确检测变化类别的像素数；(2)真负率(True Negative，简称TN)，表示正确检测的未变化类别的像素数；(3)错检率(FalsePositive，简称FP)，表示本来不变的类别被检测为变化类；(4)漏检率(False Negative，简称FN)，表示本来是变化的类别未被检测出来。本实施例采用正确分类率(Percentagecorrect classification，简称PCC)进行评估，为了更加精确地评估生成的变化检测结果图与真实参考图的接近程度，引入Kappa系数，具体地：
Figure BDA0002773435290000151
Figure BDA0002773435290000152
其中，Mc和Mu分别表示实际上变化和未变化的像素数。
2.实验所用数据
渥太华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，本实施例截取了像素面积为290×350的部分区域。此数据集包含两张拍摄同一地区的影像分别拍摄于1997年的7月与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，具体请参见图5a～图5c，图5a～图5c是本发明实施例提供的来自于渥太华多时相遥感影像示意图，图5a为摄于1997年7月洪水期间的遥感影像，图5b为摄于1997年8月洪水之后的遥感影像，图5c为基于先验信息和摄像机判读技术得到的真实变化检测图。
黄河数据集由RADARSAT-2卫星拍摄的中国黄河流域的两张SAR影像组成，分别拍摄于2008年6月与2009年6月。由于原始图像大小是7666×7692，图像规模过于庞大，因此本实施例选取两块具有代表性的区域用于实验。其中，一块区域包含海岸线，主要是水域的变化，发生变化的区域相对较小；一块区域显示的是农田区域部分，体现的是陆地的变化，其变化区域相对较大且规整。
3.实验内容与结果
为了保证实验结果的客观性，本实施例算法涉及的参数与对比算法保持一致，且对比算法的实验结果均是原始论文提供的结果数据，实验基于三部分数据上：
第一部分：请参见图6a～6c，图6a～图6c是本发明算法、RFLICM算法、RBMFLICM算法在渥太华数据集上的变化检测结果对比示意图，图6a为RFLICM算法在渥太华数据集上的变化检测结果，图6b为RBMFLICM算法在渥太华数据集上的变化检测结果，图6c为本发明算法在渥太华数据集上的变化检测结果。RFLICM算法在FLICM算法的基础上加入局部信息，因此算法精度高于FLICM算法算法，RBMCDM算法在训练的过程中训练样本的选择依赖联合分类算法生成DI的质量，同时未考虑斑点噪声的影响。在本实验中，RBMCDM算法的结构为：250-200-100-1，表示4层神经网络结构，每个数字代表当前层神经元个数，本发明算法的特征提取网络结构为：25-250-200-100-50，表示5层差分神经网络结构。从图6a～图6c中可以看出：图6a对应的RFLICM算法得到的结果在黑色背景区域有很多的噪点，这是因为RFLICM本质上是一种聚类算法，而聚类算法对噪声敏感；图6b对应的RBMCDM算法由于深度神经网络能很好地学习到未知分布数据的特征，使得RBMCDM算法检测结果优于RFLICM算法，但是，由于斑点噪声以及选取训练样本质量的问题，有一些点也会被误检；图6c对应的本发明算法获得了细节部分更为完整的变化检测结果，同时斑点噪声明显减少。
第二部分：请参见图7a～图7c，图7a～图7c是本发明算法、RFLICM算法、RBMFLICM算法在黄河口沿岸数据集上的变化检测结果对比示意图，图8a是RFLICM算法在黄河口沿岸数据集上的变化检测结果，图7b是RBMFLICM算法在黄河口沿岸数据集上的变化检测结果，图7c是本发明算法在黄河口沿岸数据集上的变化检测结果。在海岸线数据集的实验中，从图7a～图7c中可以看出：图7a对应的RFLICM算法的结果较差，在黑色背景中有很多的噪声；RBMCDM算法是有监督的算法，其样本标签来自于联合分类和样本选择，所以图7b对应的RBMCDM算法的检测结果优于RFLICM算法，但从图7b可以看出仍然有少量的噪声；图7c对应的本发明算法获得了细节部分更为完整的变化检测结果，同时斑点噪声明显减少。
第三部分：请参见图8a～图8c，图8a～图8c是本发明算法、RFLICM算法、RBMFLICM算法在黄河口农田数据集上的变化检测结果对比示意图，图8a是RFLICM算法在黄河口农田数据集上的变化检测结果，图8b是RBMFLICM算法在黄河口农田数据集上的变化检测结果，图8c是本发明算法在黄河口农田数据集上的变化检测结果。在黄河农田数据集的实验中，图8a对应的RFLICM算法虽然充分考虑了每个像素点的邻域信息，但是它直接对原始像素值进行分析，无法挖掘像素信息的本质信息，当遇到的原始影像质地差异较大时，容易形成误判；图8b对应的RBMCDM算法的检测结果优于RFLICM算法，但从图8b可以看出仍然有少量的噪声；图8c对应的本发明算法是完全无监督算法，在网络训练时不需要首先生成标签，获得了细节部分更为完整的变化检测结果，同时斑点噪声明显减少。
为了更加直观的比较本发明算法、RFLICM算法、RBMFLICM算法在三种测试数据的检测结果，表1给出了详细的对比算法实验结果。
表1详细的对比算法实验结果
Figure BDA0002773435290000181
通过上述图6a～图6c、图7a～图7c、图8a～图8c，以及表1，可以看出，在三种测试数据集上，本发明算法在各项评价指标中均有最优的结果。
综上所述，本实施例提供的遥感影像变化检测方法，利用深度学习提取像素的高维特征实现差异分析，而后通过分类器将差异向量归类实现变化检测，相比于现有方法，本实施例提出的检测方法避免了原始像素值的直接比较，打破了传统变化检测框架三步走的壁垒，使得最终的变化检测结果不再依赖于差异图像的生成质量，本实施例检测方法适用于复杂的遥感影像；本实施例在变化检测过程中，一方面考虑了邻域像素相似信息和空间距离信息，另一方面改进了差分神经网络的损失函数，在设计损失函数时考虑了斑点噪声的影响，减少了一次性生成差异图像DI所带来的影响，使得本实施例获得了细节部分更为完整的变化检测结果，同时斑点噪声明显减少，因此也具有更高的检测精度；通过两个SAE网络合成及微调完成了差异神经网络参数的自动优化，实现了差异信息的自动分析，在代价函数中引入了差异图像DI作为优化变量，随着差分神经网络的优化，差异图像DI会越来越接近最理想的变化检测结果，使得最终的变化检测结果更具可靠性和可解释性。
实施例二
在上述实施例一的基础上，请参见图9，图9为本发明实施例提供的一种遥感影像变化检测装置的结构示意图。本实施例提供了一种遥感影像变化检测装置，该装置包括：
数据获取模块，用于获取第一遥感影像图像和第二遥感影像图像，根据第一遥感影像图像得到第一训练数据集，根据第二遥感影像图像得到第二训练数据集。
具体而言，本实施例数据获取模块中根据第一遥感影像图像得到第一训练数据集，根据第二遥感影像图像得到第二训练数据集具体包括：
第一遥感影像图像I1的大小为row×col，将第一遥感影像图像I1划分为以(i,j)为中心大小为w×w的若干邻域
Figure BDA0002773435290000191
再将每个邻域
Figure BDA0002773435290000192
按行或者列展开成w2维向量得到第一训练数据集
Figure BDA0002773435290000201
Figure BDA0002773435290000202
Figure BDA0002773435290000203
表示第一遥感影像图像I1在以(i,j)为中心时邻域
Figure BDA0002773435290000204
按行或者列展开成的w2维向量；
第二遥感影像图像I2的大小为row×col，将第二遥感影像图像I2划分为以(i,j)为中心大小为w×w的若干邻域
Figure BDA0002773435290000205
再将每个邻域
Figure BDA0002773435290000206
按行或者列展开成w2维向量得到第二训练数据集
Figure BDA0002773435290000207
Figure BDA0002773435290000208
Figure BDA0002773435290000209
表示第二遥感影像图像I2在以(i,j)为中心时邻域
Figure BDA00027734352900002010
按行或者列展开成的w2维向量。
第一模型训练模块，用于构建第一SAE网络并采用第一训练数据集训练第一SAE网络得到训练好的第一SAE网络，构建第二SAE网络并采用第二训练数据集训练第二SAE网络得到训练好的第二SAE网络。
具体而言，本实施例第一模型训练模块具体包括：
第一SAE网络由若干第一自编码器网络级联而成，其中，每个第一自编码器网络独立根据第一训练数据集并采用BP算法进行训练得到训练好的第一自编码器网络，将独立的每个训练好的第一自编码器网络移除输出层，再将移除输出层的每个训练好的第一自编码器网络级联得到训练好的第一SAE网络；
第二SAE网络由若干第二自编码器网络级联而成，其中，每个第二自编码器网络独立根据第二训练数据集并采用BP算法进行训练得到训练好的第二自编码器网络，将独立的每个训练好的第二自编码器网络移除输出层，再将移除输出层的每个训练好的第二自编码器网络级联得到训练好的第二SAE网络。
第二模型训练模块，用于根据训练好的第一SAE网络和训练好的第二SAE网络对差分神经网络进行训练得到训练好的差分神经网络。
具体而言，本实施例第二模型训练模块具体包括将训练好的第一SAE网络和训练好的第二SAE网络的输出之差作为差分神经网络的输入；根据预设规则并采用BP算法训练差分神经网络得到训练好的差分神经网络。
进一步地，本实施例根据预设规则并采用BP算法训练差分神经网络得到训练好的差分神经网络包括：
构建差分神经网络的损失函数，损失函数包括第一遥感影像图像和第二遥感影像图像的差异图像；根据预设规则并采用BP算法在差分神经网络的损失函数上训练差分神经网络得到训练好的差分神经网络；其中，
差异图像采用对数比函数求得，差异图像XL表示为：
Figure BDA0002773435290000211
其中，
Figure BDA0002773435290000212
表示第一遥感影像图像，
Figure BDA0002773435290000213
表示第二遥感影像图像；
构建的差分神经网络的损失函数为：
Figure BDA0002773435290000214
其中，W,b,XL表示差分神经网络的网络参数，W表示差分神经网络的权值参数，b表示差分神经网络的偏置参数，XL表示差异图像，m表示训练数据个数，训练数据包括第一训练数据和第二训练数据，
Figure BDA0002773435290000215
表示差异图像的像素点值，
Figure BDA0002773435290000216
表示训练好的第一SAE网络对应的第k个第一训练数据的输出，
Figure BDA0002773435290000217
表示训练好的第二SAE网络对应的第k个第二训练数据的输出，
Figure BDA0002773435290000221
Figure BDA0002773435290000222
表示差异图像邻域内像素点均值，
Figure BDA0002773435290000223
Nk表示差异图像邻域内像素个数，
Figure BDA0002773435290000224
表示差异图像邻域内第i个像素点，Jre表示正则项，
Figure BDA0002773435290000225
nl表示差分神经网络层数，Sl表示差分神经网络第l层的单元数，
Figure BDA0002773435290000226
表示差分神经网络第l层的权值矩阵。
进一步地，本实施例根据预设规则并采用BP算法在差分神经网络的损失函数上训练差分神经网络得到训练好的差分神经网络包括：
固定第二SAE网络的输出f2和差异图像XL，采用BP算法在差分神经网络的损失函数上更新第一SAE网络的输出f1；
固定第一SAE网络的输出f1和差异图像XL，采用BP算法在差分神经网络的损失函数上第二SAE网络的输出f2；
同时固定第二SAE网络的输出f2和第一SAE网络的输出f1，采用BP算法在差分神经网络的损失函数上更新差异图像XL；
直到训练过程中差分神经网络满足预设结束条件得到训练好的差分神经网络。
数据测试模块，用于将测试第一遥感影像图像和测试第二遥感影像图像输入至训练好的差分神经网络得到最终遥感影像的变化检测结果。
本实施例提供的一种遥感影像变化检测装置，可以执行上述遥感影像变化检测方法实施例，其实现原理和技术效果类似，在此不再赘述。
实施例三
在上述实施例二的基础上，请参见图10，图10为本发明实施例提供的一种遥感影像变化检测电子设备结构示意图。本实施例提供了一种遥感影像变化检测电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的计算机程序时，该计算机程序被处理器执行时实现以下步骤：
步骤1、获取第一遥感影像图像和第二遥感影像图像，根据第一遥感影像图像得到第一训练数据集，根据第二遥感影像图像得到第二训练数据集。
具体而言，本实施例步骤1中根据第一遥感影像图像得到第一训练数据集，根据第二遥感影像图像得到第二训练数据集具体包括：
第一遥感影像图像I1的大小为row×col，将第一遥感影像图像I1划分为以(i,j)为中心大小为w×w的若干邻域
Figure BDA0002773435290000231
再将每个邻域
Figure BDA0002773435290000232
按行或者列展开成w2维向量得到第一训练数据集
Figure BDA0002773435290000233
Figure BDA0002773435290000234
Figure BDA0002773435290000235
表示第一遥感影像图像I1在以(i,j)为中心时邻域
Figure BDA0002773435290000236
按行或者列展开成的w2维向量；
第二遥感影像图像I2的大小为row×col，将第二遥感影像图像I2划分为以(i,j)为中心大小为w×w的若干邻域
Figure BDA0002773435290000237
再将每个邻域
Figure BDA0002773435290000238
按行或者列展开成w2维向量得到第二训练数据集
Figure BDA0002773435290000239
Figure BDA00027734352900002310
Figure BDA00027734352900002311
表示第二遥感影像图像I2在以(i,j)为中心时邻域
Figure BDA00027734352900002312
按行或者列展开成的w2维向量。
步骤2、构建第一SAE网络并采用第一训练数据集训练第一SAE网络得到训练好的第一SAE网络，构建第二SAE网络并采用第二训练数据集训练第二SAE网络得到训练好的第二SAE网络。
具体而言，本实施例步骤2具体包括：
第一SAE网络由若干第一自编码器网络级联而成，其中，每个第一自编码器网络独立根据第一训练数据集并采用BP算法进行训练得到训练好的第一自编码器网络，将独立的每个训练好的第一自编码器网络移除输出层，再将移除输出层的每个训练好的第一自编码器网络级联得到训练好的第一SAE网络；
第二SAE网络由若干第二自编码器网络级联而成，其中，每个第二自编码器网络独立根据第二训练数据集并采用BP算法进行训练得到训练好的第二自编码器网络，将独立的每个训练好的第二自编码器网络移除输出层，再将移除输出层的每个训练好的第二自编码器网络级联得到训练好的第二SAE网络。
步骤3、根据训练好的第一SAE网络和训练好的第二SAE网络对差分神经网络进行训练得到训练好的差分神经网络。
具体而言，本实施例步骤3具体包括：
将训练好的第一SAE网络和训练好的第二SAE网络的输出之差作为差分神经网络的输入；根据预设规则并采用BP算法训练差分神经网络得到训练好的差分神经网络。
进一步地，本实施例根据预设规则并采用BP算法训练差分神经网络得到训练好的差分神经网络包括：
构建差分神经网络的损失函数，损失函数包括第一遥感影像图像和第二遥感影像图像的差异图像；根据预设规则并采用BP算法在差分神经网络的损失函数上训练差分神经网络得到训练好的差分神经网络；其中，
差异图像采用对数比函数求得，差异图像XL表示为：
Figure BDA0002773435290000251
其中，
Figure BDA0002773435290000252
表示第一遥感影像图像，
Figure BDA0002773435290000253
表示第二遥感影像图像；
构建的差分神经网络的损失函数为：
Figure BDA0002773435290000254
其中，W,b,XL表示差分神经网络的网络参数，W表示差分神经网络的权值参数，b表示差分神经网络的偏置参数，XL表示差异图像，m表示训练数据个数，训练数据包括第一训练数据和第二训练数据，
Figure BDA0002773435290000255
表示差异图像的像素点值，
Figure BDA0002773435290000256
表示训练好的第一SAE网络对应的第k个第一训练数据的输出，
Figure BDA0002773435290000257
表示训练好的第二SAE网络对应的第k个第二训练数据的输出，
Figure BDA0002773435290000258
Figure BDA0002773435290000259
表示差异图像邻域内像素点均值，
Figure BDA00027734352900002510
Nk表示差异图像邻域内像素个数，
Figure BDA00027734352900002511
表示差异图像邻域内第i个像素点，Jre表示正则项，
Figure BDA00027734352900002512
nl表示差分神经网络层数，Sl表示差分神经网络第l层的神经元个数，
Figure BDA00027734352900002513
表示差分神经网络第l层的权值矩阵。
进一步地，本实施例根据预设规则并采用BP算法在差分神经网络的损失函数上训练差分神经网络得到训练好的差分神经网络包括：
固定第二SAE网络的输出f2和差异图像XL，采用BP算法在差分神经网络的损失函数上更新第一SAE网络的输出f1；
固定第一SAE网络的输出f1和差异图像XL，采用BP算法在差分神经网络的损失函数上第二SAE网络的输出f2；
同时固定第二SAE网络的输出f2和第一SAE网络的输出f1，采用BP算法在差分神经网络的损失函数上更新差异图像XL；
直到训练过程中差分神经网络满足预设结束条件得到训练好的差分神经网络。
步骤4、将测试第一遥感影像图像和测试第二遥感影像图像输入至训练好的差分神经网络得到最终遥感影像的变化检测结果。
本实施例提供的一种遥感影像变化检测电子设备，可以执行上述遥感影像变化检测方法实施例和上述遥感影像变化检测装置实施例，其实现原理和技术效果类似，在此不再赘述。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种遥感影像变化检测方法，其特征在于，包括：
步骤1、获取第一遥感影像图像和第二遥感影像图像，根据所述第一遥感影像图像得到第一训练数据集，根据所述第二遥感影像图像得到第二训练数据集；
步骤2、构建第一SAE网络并采用所述第一训练数据集训练所述第一SAE网络得到训练好的第一SAE网络，构建第二SAE网络并采用所述第二训练数据集训练所述第二SAE网络得到训练好的第二SAE网络；
步骤3、根据所述训练好的第一SAE网络和所述训练好的第二SAE网络对差分神经网络进行训练得到训练好的差分神经网络；
步骤4、将测试第一遥感影像图像和测试第二遥感影像图像输入至所述训练好的差分神经网络得到遥感影像的变化检测结果。
2.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述步骤1中根据所述第一遥感影像图像得到第一训练数据集，根据所述第二遥感影像图像得到第二训练数据集具体包括：
所述第一遥感影像图像I1的大小为row×col，将所述第一遥感影像图像I1划分为以(i,j)为中心大小为w×w的若干邻域
Figure FDA0002773435280000011
再将每个所述邻域
Figure FDA0002773435280000012
按行或者列展开成w2维向量得到第一训练数据集
Figure FDA0002773435280000013
Figure FDA0002773435280000014
Figure FDA0002773435280000015
表示第一遥感影像图像I1在以(i,j)为中心时邻域
Figure FDA0002773435280000016
按行或者列展开成的w2维向量；
所述第二遥感影像图像I2的大小为row×col，将所述第二遥感影像图像I2划分为以(i,j)为中心大小为w×w的若干邻域
Figure FDA0002773435280000017
再将每个所述邻域
Figure FDA0002773435280000018
按行或者列展开成w2维向量得到第二训练数据集
Figure FDA0002773435280000019
Figure FDA0002773435280000021
Figure FDA0002773435280000022
表示第二遥感影像图像I2在以(i,j)为中心时邻域
Figure FDA0002773435280000023
按行或者列展开成的w2维向量。
3.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述步骤2具体包括：
所述第一SAE网络由若干第一自编码器网络级联而成，其中，每个所述第一自编码器网络独立根据第一训练数据集并采用BP算法进行训练得到训练好的第一自编码器网络，将独立的每个所述训练好的第一自编码器网络移除输出层，再将移除输出层的每个训练好的第一自编码器网络级联得到所述训练好的第一SAE网络；
所述第二SAE网络由若干第二自编码器网络级联而成，其中，每个所述第二自编码器网络独立根据第二训练数据集并采用BP算法进行训练得到训练好的第二自编码器网络，将独立的每个所述训练好的第二自编码器网络移除输出层，再将移除输出层的每个训练好的第二自编码器网络级联得到所述训练好的第二SAE网络。
4.根据权利要求1所述的遥感影像变化检测方法，其特征在于，所述步骤3具体包括：
将所述训练好的第一SAE网络和所述训练好的第二SAE网络的输出之差作为所述差分神经网络的输入；
根据预设规则并采用BP算法训练所述差分神经网络得到所述训练好的差分神经网络。
5.根据权利要求4所述的遥感影像变化检测方法，其特征在于，根据预设规则并采用BP算法训练所述差分神经网络得到训练好的差分神经网络包括：
构建差分神经网络的损失函数，所述损失函数包括所述第一遥感影像图像和所述第二遥感影像图像的差异图像；
根据预设规则并采用BP算法在所述差分神经网络的损失函数上训练所述差分神经网络得到所述训练好的差分神经网络。
6.根据权利要求5所述的遥感影像变化检测方法，其特征在于，所述差异图像采用对数比函数求得，所述差异图像XL表示为：
Figure FDA0002773435280000031
其中，
Figure FDA00027734352800000312
表示第一遥感影像图像，
Figure FDA00027734352800000313
表示第二遥感影像图像。
7.根据权利要求6所述的遥感影像变化检测方法，其特征在于，构建的差分神经网络的损失函数为：
Figure FDA0002773435280000032
其中，W,b,XL表示差分神经网络的网络参数，W表示差分神经网络的权值参数，b表示差分神经网络的偏置参数，XL表示差异图像，m表示训练数据个数，训练数据包括第一训练数据和第二训练数据，
Figure FDA0002773435280000033
表示差异图像的像素点值，
Figure FDA0002773435280000034
表示训练好的第一SAE网络对应的第k个第一训练数据的输出，
Figure FDA0002773435280000035
表示训练好的第二SAE网络对应的第k个第二训练数据的输出，
Figure FDA0002773435280000036
Figure FDA0002773435280000037
表示差异图像邻域内像素点均值，
Figure FDA0002773435280000038
Nk表示差异图像邻域内像素个数，
Figure FDA0002773435280000039
表示差异图像邻域内第i个像素点，Jre表示正则项，
Figure FDA00027734352800000310
nl表示差分神经网络层数，Sl表示差分神经网络第l层的神经元个数，
Figure FDA00027734352800000311
表示差分神经网络第l层的权值矩阵。
8.根据权利要求7所述的遥感影像变化检测方法，其特征在于，根据预设规则并采用BP算法在所述差分神经网络的损失函数上训练所述差分神经网络得到所述训练好的差分神经网络包括：
固定所述第二SAE网络的输出f2和所述差异图像XL，采用BP算法在所述差分神经网络的损失函数上更新第一SAE网络的输出f1；
固定所述第一SAE网络的输出f1和所述差异图像XL，采用BP算法在所述差分神经网络的损失函数上所述第二SAE网络的输出f2；
同时固定所述第二SAE网络的输出f2和所述第一SAE网络的输出f1，采用BP算法在所述差分神经网络的损失函数上更新差异图像XL；
直到训练过程中所述差分神经网络满足预设结束条件得到所述训练好的差分神经网络。
9.一种遥感影像变化检测装置，其特征在于，包括：
数据获取模块，用于获取第一遥感影像图像和第二遥感影像图像，根据所述第一遥感影像图像得到第一训练数据集，根据所述第二遥感影像图像得到第二训练数据集；
第一模型训练模块，用于构建第一SAE网络并采用所述第一训练数据集训练所述第一SAE网络得到训练好的第一SAE网络，构建第二SAE网络并采用所述第二训练数据集训练所述第二SAE网络得到训练好的第二SAE网络；
第二模型训练模块，用于根据所述训练好的第一SAE网络和所述训练好的第二SAE网络对差分神经网络进行训练得到训练好的差分神经网络；
数据测试模块，用于将测试第一遥感影像图像和测试第二遥感影像图像输入至所述训练好的差分神经网络得到最终遥感影像的变化检测结果。
10.一种遥感影像变化检测电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存放的所述计算机程序时，实现权利要求1～8任一项所述的遥感影像变化检测方法。
CN202011257016.2A 2020-11-11 2020-11-11 一种遥感影像变化检测方法、装置及其电子设备 Pending CN113191996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011257016.2A CN113191996A (zh) 2020-11-11 2020-11-11 一种遥感影像变化检测方法、装置及其电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011257016.2A CN113191996A (zh) 2020-11-11 2020-11-11 一种遥感影像变化检测方法、装置及其电子设备

Publications (1)

Publication Number Publication Date
CN113191996A true CN113191996A (zh) 2021-07-30

Family

ID=76972542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011257016.2A Pending CN113191996A (zh) 2020-11-11 2020-11-11 一种遥感影像变化检测方法、装置及其电子设备

Country Status (1)

Country Link
CN (1) CN113191996A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170145A (zh) * 2021-11-12 2022-03-11 西安理工大学 基于多尺度自编码的异质遥感图像变化检测方法
TWI792978B (zh) * 2022-04-12 2023-02-11 鴻海精密工業股份有限公司 影像比對方法、裝置、電子設備及電腦可讀存儲介質

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170145A (zh) * 2021-11-12 2022-03-11 西安理工大学 基于多尺度自编码的异质遥感图像变化检测方法
CN114170145B (zh) * 2021-11-12 2023-04-07 西安理工大学 基于多尺度自编码的异质遥感图像变化检测方法
TWI792978B (zh) * 2022-04-12 2023-02-11 鴻海精密工業股份有限公司 影像比對方法、裝置、電子設備及電腦可讀存儲介質

Similar Documents

Publication Publication Date Title
Li et al. A deep learning method for change detection in synthetic aperture radar images
Wen et al. Directionally constrained fully convolutional neural network for airborne LiDAR point cloud classification
Yuan et al. Fast hyperspectral anomaly detection via high-order 2-D crossing filter
Yin et al. Hot region selection based on selective search and modified fuzzy C-means in remote sensing images
CN109919241B (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
Zhan et al. Unsupervised scale-driven change detection with deep spatial–spectral features for VHR images
CN111160268A (zh) 一种基于多任务学习的多角度sar目标识别方法
Mishne et al. Graph-based supervised automatic target detection
CN113643284B (zh) 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法
Maas et al. A label noise tolerant random forest for the classification of remote sensing data based on outdated maps for training
CN113052200B (zh) 一种基于yolov3网络的声呐图像目标检测方法
CN113191996A (zh) 一种遥感影像变化检测方法、装置及其电子设备
Zhao et al. Semisupervised SAR image change detection based on a siamese variational autoencoder
Barua et al. Quality evaluation of gans using cross local intrinsic dimensionality
Sun et al. Graph signal processing for heterogeneous change detection
CN116168240A (zh) 基于注意力增强的任意方向密集舰船目标检测方法
CN116469020A (zh) 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法
CN112784777B (zh) 基于对抗学习的无监督高光谱图像变化检测方法
Hu et al. A total variation regularized bipartite network for unsupervised change detection
CN116311387B (zh) 一种基于特征交集的跨模态行人重识别方法
Celik et al. Change detection without difference image computation based on multiobjective cost function optimization
Albalooshi et al. Deep belief active contours (DBAC) with its application to oil spill segmentation from remotely sensed sea surface imagery
CN117152601A (zh) 一种基于动态感知区域路由的水下目标检测方法及系统
Zhao et al. Spectral–spatial classification of hyperspectral images using trilateral filter and stacked sparse autoencoder
Xing et al. Progressive Modality-Alignment for Unsupervised Heterogeneous Change Detection

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
TA01 Transfer of patent application right

Effective date of registration: 20221114

Address after: 710000 room 020, F2002, 20th floor, building 4-A, Xixian financial port, Fengdong new city energy gold trade zone, Xixian New District, Xi'an City, Shaanxi Province

Applicant after: Xi'an Wind and Thunder Testing Technology Co.,Ltd.

Address before: Beilin District Shaanxi province Xi'an City friendship road 710072 No. 127

Applicant before: Northwestern Polytechnical University

TA01 Transfer of patent application right