CN115240072A - 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 - Google Patents

一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 Download PDF

Info

Publication number
CN115240072A
CN115240072A CN202210934013.0A CN202210934013A CN115240072A CN 115240072 A CN115240072 A CN 115240072A CN 202210934013 A CN202210934013 A CN 202210934013A CN 115240072 A CN115240072 A CN 115240072A
Authority
CN
China
Prior art keywords
hyperspectral
neural network
tensor
convolution
tensors
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
Application number
CN202210934013.0A
Other languages
English (en)
Other versions
CN115240072B (zh
Inventor
詹天明
汤永生
吴华朋
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.)
NANJING AUDIT UNIVERSITY
Original Assignee
NANJING AUDIT 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 NANJING AUDIT UNIVERSITY filed Critical NANJING AUDIT UNIVERSITY
Priority to CN202210934013.0A priority Critical patent/CN115240072B/zh
Publication of CN115240072A publication Critical patent/CN115240072A/zh
Application granted granted Critical
Publication of CN115240072B publication Critical patent/CN115240072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多方向多尺度光谱‑空间残差卷积神经网络的高光谱多类变化检测方法，包括如下步骤：将获取的同一区域不同时间的两幅高光谱图像进行差分操作得到高光谱变化图像；从高光谱变化图像中选择一定量的像素，将每个像素和其相邻像素的高光谱变化向量构成张量块；将张量块输入进模型当中，对每个变化张量从多个不同的方向提取张量的光谱特征以及空间特征，最后进行融合，训练多方向多尺度光谱‑空间残差卷积网络，获取对应的神经网络模型参数；使用训练好的模型将高光谱变化图像中的所有像素进行判别分类。本发明对实验器材要求较低，能够快速并且精准地识别出同一地理位置不同时间的两幅高光谱图像中的变化区域，有着很好的实用性。

Description

一种基于多方向多尺度光谱-空间残差卷积神经网络的高光 谱多类变化检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法
背景技术
随着遥感卫星技术的发展，高光谱图像得到了越来越多的关注，成为了许多领域的研究热点。高光谱图像是由高光谱成像光谱仪所收集到的图像，它包含了丰富的光谱信息、空间信息和辐射信息。比起多光谱图像等传统的遥感图像，高光谱图像波段多并且覆盖范围广，可以得到更加详细的地物特征。所以目前高光谱图像技术在农业、生态环境、资源调查、医疗等领域有着十分重要的价值。
一些适用于低光谱分辨率的变化检测算法在针对高光谱图像这样的高光谱分辨率遥感影像时，它们的表现并没有那么好。主要原因是因为在高光谱图像中，构成地物目标的像素之间具有相关性，以像素为基本单位的变化检测算法忽略了每个像素的空间邻域特征，这使得这些算法的过程在高光谱图像中变得更加复杂，效率降低。并且高光谱图像具有多尺度的特性，利用单一的尺度去分割高光谱图像所获得的结果必然不够准确。
发明内容
本发明的目的是更好地去处理高光谱图像相关的问题，由此提出了基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法。本发明充分利用了高光谱图像的光谱信息以及空间信息，在光谱方向上，将经过高光谱变化图像得到的变化张量使用一维卷积进行降维，以此来减少网络的参数；并且本发明中的空间特征部分由三个不同的方向组成，在其中一个空间方向上使用多尺度与残差相结合的结构，充分利用高光谱图像中丰富的上下文信息，检测出图像中的细微变化以获得更加完善的地物特征，与此同时，残差结构的引入可以有效的解决网络中梯度消失、梯度爆炸、退化等问题，使得变化检测的结果更加的精确。
为了达到上述目的，本发明采用的技术方案是：
一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，包括如下步骤：
步骤(A)：将获取的同一区域不同时间的两幅高光谱图像进行差分操作得到高光谱变化图像；
步骤(B)：从高光谱变化图像中选择一定量的像素，将每个像素和其相邻像素的高光谱变化向量构成张量块；
步骤(C)：将张量块输入进模型当中，对每个变化张量从多个不同的方向提取张量的光谱特征以及空间特征，最后进行融合，训练多方向多尺度光谱-空间残差卷积网络，获取对应的神经网络模型参数；
步骤(D)：使用训练好的模型将高光谱变化图像中的所有像素进行判别分类，得到变化检测结果图。
优选的，在步骤(A)中，将获取的同一区域不同时间的两幅高光谱图像进行差分操作得到高光谱变化图像，包括如下步骤：
步骤(A1)：在同一地理区域从两个不同的时间段获得高光谱图像T1、T2；
步骤(A2)：对T1、T2进行消除噪声的处理；
步骤(A3)：将预处理过后得到的两个高光谱图像进行差分操作Z(T1,T2)获得高光谱变化图像ΔT。
优选的，在步骤(A3)中的差分函数为：
Z(T1,T2)＝|T2-T1|。
优选的，在步骤(B)中，从高光谱变化图像中选择一定量的像素，将每个像素和其相邻像素的高光谱变化向量构成张量块，包括如下步骤：
步骤(B1)：像素邻域大小取值为5，即每个像素和以它为中心的5*5邻域像素在高光谱变化图中的变化光谱向量提取出大小为5*5*h的张量，其中h是光谱维数。
优选的，在步骤(C)中，将张量块输入进模型当中，对每个变化张量从多个不同的方向提取张量的光谱特征以及空间特征，最后进行融合，训练多方向多尺度光谱-空间残差卷积网络，获取对应的神经网络模型参数，包括如下步骤：
步骤(C1)：使用卷积核大小为1*1*3的3D卷积，将输入的5*5*h的变化张量通过5层3D卷积网络提取光谱特征，并且对张量进行降维，形成1个5*5*35的特征张量，得到光谱方向卷积神经网路的结果；
步骤(C2)：在空间方向卷积神经网络中，将5*5*35的张量变形为5*35*5和35*5*5的张量，将5*5*35、5*35*5和35*5*5这三个张量分别沿三个不同的方向输入进空间方向卷积神经网络中；
步骤(C3)：使用3D卷积神经网络将5*5*35的张量通过多尺度残差结构，使得5*35*5和35*5*5这两个张量从两个不同的方向输入进3D卷积神经网络中，其中网络层数为两层；将上述步骤得到的所有张量全部变形为5*5*35的特征张量，接着将从步骤(C1)中得到的一个5*5*35的张量与这些特征张量进行拼接，作为多方向多尺度光谱-空间残差卷积神经网络提取的空谱联合特征用于变化检测的输入；
步骤(C4)：将步骤(C3)中的所有5*5*35的张量经过最大池化操作形成大小为1*1*35的张量，再将这些张量使用平坦化操作，随机丢弃向量中50％的数据后输入全连接网络分类器进行分类；
步骤(C5)：将步骤(C4)中每个像素的分类结果信息及其对应的标签信息输入到损失函数中从而获得损失值，并根据这些损失值对多方向多尺度光谱-空间残差卷积神经网络进行反向传播，对权重参数进行更新；其中：
多方向多尺度光谱-空间残差卷积神经网络的损失函数为：
Figure BDA0003782781030000031
其中：x是真实的类别，M为种类数量，j表示类别为j类，ω表示类别为j的概率；
步骤(C6)：最后还在神经网络的输出层当中使用softmax函数，此函数公式为：
Figure BDA0003782781030000032
其中：u表示类别数，
Figure BDA0003782781030000033
表示输出中第n个节点的输出值。
优选的，步骤(C3)包括如下具体步骤：
首先将输入的张量先通过40个大小为7*7*1的卷积核进行卷积得到结果A，然后将A分别通过20个大小为5*5*1的卷积核以及20个大小为7*7*1的卷积核得到结果B和C，将B和C进行拼接，接着将A和B、C拼接后的结果进行一个残差连接得到结果D，将D使用如图所示的卷积核个数以及大小再进行一次上述操作得到结果E，最后将E通过10个大小为7*7*1的卷积核进行卷积，得到多尺度残差结构的输出结果。
优选的，在步骤(D)中，使用训练好的模型将高光谱变化图像中的所有像素进行判别分类，得到变化检测结果图,包括如下具体步骤：
将从步骤(B1)中得到的大小为5*5*h的张量形成M*N个5*5*h的变化张量，M和N表示两个不同空间方向的维数，接着将5*5*h的变化张量输入进训练好的模型当中，从而得到分类结果。
本发明的有益效果是：本发明基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，充分利用了高光谱图像的光谱信息以及空间信息，多尺度与残差相结合的结构，很好地利用了高光谱图像中丰富的上下文信息，检测出图像中的细微变化以获得更加完善的地物特征，与此同时，残差结构的引入可以有效的解决网络中梯度消失、梯度爆炸、退化等问题，使得变化检测的结果更加的精确。
附图说明
图1是本发明的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法的流程图；
图2是同一区域第一个时间点的高光谱图像；
图3是同一区域第二个时间点的高光谱图像；
图4是本发明的高光谱变化检测结果图；
图5是人工标记的实际变化区域地面真值。
具体实施方式
以下结合附图和具体实施例对本发明作出的进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示，本发明的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，包括以下步骤：
步骤(A)：将获取的同一区域不同时间的两幅高光谱图像进行差分操作得到高光谱变化图像，包括以下步骤：
步骤(A1)：在同一地理区域从两个不同的时间段获得高光谱图像T1、T2(如图2和图3所示，图2和图3都是由地球观测-1(EO-1)超离子高光谱传感器所获得，它们是同一地点不同时间的两个高光谱图像)；
步骤(A2)：对T1、T2进行消除噪声的处理；
步骤(A3)：将预处理过后得到的两个高光谱图像进行差分操作Z(T1,T2)获得高光谱变化图像ΔT；优选差分函数为：
Z(T1,T2)＝|T2-T1|。
步骤(B)：从高光谱变化图像中选择一定量的像素，将每个像素和其相邻像素的高光谱变化向量构成张量块，包括如下步骤：
步骤(B1)：像素邻域大小取值为5，即每个像素和以它为中心的5*5邻域像素在高光谱变化图中的变化光谱向量提取出大小为5*5*h的张量，其中h是光谱维数。
步骤(C)：将张量块输入进模型当中，对每个变化张量从多个不同的方向提取张量的光谱特征以及空间特征，最后进行融合，训练多方向多尺度光谱-空间残差卷积网络，获取对应的神经网络模型参数，包括如下步骤：
步骤(C1)：使用卷积核大小为1*1*3的3D卷积，将输入的5*5*h的变化张量通过5层3D卷积网络提取光谱特征，并且对张量进行降维，形成1个5*5*35的特征张量，得到光谱方向卷积神经网路的结果。
步骤(C2)：在空间方向卷积神经网络中，将5*5*35的张量变形为5*35*5和35*5*5的张量，将5*5*35、5*35*5和35*5*5这三个张量分别沿三个不同的方向输入进空间方向卷积神经网络中。
步骤(C3)：使用3D卷积将5*5*35的张量通过多尺度残差结构，将5*35*5和35*5*5这两个张量从两个不同的方向输入进3D卷积神经网络中，网络层数为两层；将这几个步骤得到的所有张量全部变形为5*5*35的特征张量；接着将从步骤(C1)中得到的一个5*5*35的张量与这些特征张量进行拼接，作为多方向多尺度光谱-空间残差卷积神经网络提取的空谱联合特征用于变化检测的输入，其中多尺度残差结构包括如下步骤：
首先将输入的张量先通过40个大小为7*7*1的卷积核进行卷积得到结果A，然后将A分别通过20个大小为5*5*1的卷积核以及20个大小为7*7*1的卷积核得到结果B和C，将B和C进行拼接，接着将A和B、C拼接后的结果进行一个残差连接得到结果D，将D再进行一次上述操作得到结果E，最后将E通过10个大小为7*7*1的卷积核进行卷积，得到多尺度残差结构的输出结果；
步骤(C4)：将步骤(C3)中的所有5*5*35的张量经过最大池化操作形成大小为1*1*35的张量，再将这些张量使用平坦化操作，随机丢弃向量中50％的数据后输入全连接网络分类器进行分类；
步骤(C5)：将步骤(C4)中每个像素的分类结果信息及其对应的标签信息输入到损失函数中从而获得损失值，并根据这些损失值对多方向多尺度光谱-空间残差卷积神经网络进行反向传播，对权重参数进行更新；其中：
多方向多尺度光谱-空间残差卷积神经网络的损失函数为：
Figure BDA0003782781030000051
其中x是真实的类别，M为种类数量，j表示类别为j类，ω表示类别为j的概率。
步骤(C6)：最后还在神经网络的输出层当中使用softmax函数，此函数公式为：
Figure BDA0003782781030000052
其中u表示类别数，
Figure BDA0003782781030000053
表示输出中第n个节点的输出值。
步骤(D)：使用训练好的模型将高光谱变化图像中的所有像素进行判别分类，得到变化检测结果图，如图4所示,包括如下具体步骤：
将从步骤(B1)中得到的大小为5*5*h的张量形成M*N个5*5*h的变化张量，M和N表示两个不同空间方向的维数，接着将5*5*h的变化张量输入进训练好的模型当中，从而得到分类结果。
本发明的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，利用本发明检测方法得到如图4的变化检测结果图，其与图5人工标记的实际变化地面真值图相对比可以发现，该方法可以精确的对高光谱图像进行识别。
综上所述，本发明的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，充分利用了高光谱图像的光谱信息以及空间信息，多尺度与残差相结合的结构，很好地利用了高光谱图像中丰富的上下文信息，检测出图像中的细微变化以获得更加完善的地物特征，与此同时，残差结构的引入可以有效的解决网络中梯度消失、梯度爆炸、退化等问题，使得变化检测的结果更加的精确。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换，或者直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.基于多方向多尺度的高光谱多类变化检测方法，其特征在于，包括以下步骤：
步骤(A)：将获取的同一区域不同时间的两幅高光谱图像进行差分操作得到高光谱变化图像；
步骤(B)：从高光谱变化图像中选择一定量的像素，将每个像素和其相邻像素的高光谱变化向量构成张量块；
步骤(C)：将张量块输入进模型当中，对每个变化张量从多个不同的方向提取张量的光谱特征以及空间特征，最后进行融合，训练多方向多尺度光谱-空间残差卷积网络，获取对应的神经网络模型参数；
步骤(D)：使用训练好的模型将高光谱变化图像中的所有像素进行判别分类，得到变化检测结果图。
2.根据权利要求1所述的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，其特征在于，所述步骤(A)包括如下具体步骤：
步骤(A1)：在同一地理区域从两个不同的时间段获得高光谱图像T1、T2；
步骤(A2)：对T1、T2进行消除噪声的处理；
步骤(A3)：将预处理过后得到的两个高光谱图像进行差分操作Z(T1,T2)获得高光谱变化图像ΔT。
3.根据权利要求2所述的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，其特征在于，所述步骤(A3)中的差分函数为：
Z(T1,T2)＝|T2-T1|。
4.根据权利要求1所述的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，其特征在于，所述步骤(B)包括如下具体步骤：
步骤(B1)像素邻域大小取值为5，即每个像素和以它为中心的5*5邻域像素在高光谱变化图中的变化光谱向量提取出大小为5*5*h的张量，其中h是光谱维数。
5.根据权利要求1所述的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，其特征在于，所述步骤(C)包括如下具体步骤：
步骤(C1)：使用卷积核大小为1*1*3的3D卷积，将输入的5*5*h的变化张量通过5层3D卷积网络提取光谱特征，并且对张量进行降维，形成1个5*5*35的特征张量，得到光谱方向卷积神经网路的结果；
步骤(C2)：在空间方向卷积神经网络中，将5*5*35的张量变形为5*35*5和35*5*5的张量，将5*5*35、5*35*5和35*5*5这三个张量分别沿三个不同的方向输入进空间方向卷积神经网络中；
步骤(C3)：使用3D卷积将5*5*35的张量通过多尺度残差结构，将5*35*5和35*5*5这两个张量从两个不同的方向输入进3D卷积神经网络中，网络层数为两层；将这几个步骤得到的所有张量全部变形为5*5*35的特征张量，接着将从步骤(C1)中得到的一个5*5*35的张量与这些特征张量进行拼接，作为多方向多尺度光谱-空间残差卷积神经网络提取的空谱联合特征用于变化检测的输入；
步骤(C4)：将步骤(C3)中的所有5*5*35的张量经过最大池化操作形成大小为1*1*35的张量，再将这些张量使用平坦化操作，随机丢弃向量中50％的数据后输入全连接网络分类器进行分类；
步骤(C5)：将步骤(C4)中每个像素的分类结果信息及其对应的标签信息输入到损失函数中从而获得损失值，并根据这些损失值对多方向多尺度光谱-空间残差卷积神经网络进行反向传播，对权重参数进行更新；其中：
多方向多尺度光谱-空间残差卷积神经网络的损失函数为：
Figure FDA0003782781020000021
其中x是真实的类别，M为种类数量，j表示类别为j类，ω表示类别为j的概率；
步骤(C6)：最后还在神经网络的输出层当中使用softmax函数，此函数公式为：
Figure FDA0003782781020000022
其中u表示类别数，
Figure FDA0003782781020000023
表示输出中第n个节点的输出值。
6.根据权利要求5所述的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，其特征在于，所述步骤(C3)当中的多尺度残差结构包括如下具体步骤：
首先将输入的张量先通过40个大小为7*7*1的卷积核进行卷积得到结果A，然后将A分别通过20个大小为5*5*1的卷积核以及20个大小为7*7*1的卷积核得到结果B和C，将B和C进行拼接，接着将A和B、C拼接后的结果进行一个残差链接得到结果D，将D再进行一次上述操作得到结果E，最后将E通过10个大小为7*7*1的卷积核进行卷积，得到多尺度残差结构的输出结果。
7.根据权利要求4所述的基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法，其特征在于，在步骤(D)中，使用训练好的模型将高光谱变化图像中的所有像素进行判别分类，得到变化检测结果图,包括如下具体步骤：
将从步骤(B1)中得到的大小为5*5*h的张量形成M*N个5*5*h的变化张量，M和N表示两个不同空间方向的维数，接着将5*5*h的变化张量输入进训练好的模型当中，从而得到分类结果。
CN202210934013.0A 2022-08-04 2022-08-04 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 Active CN115240072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210934013.0A CN115240072B (zh) 2022-08-04 2022-08-04 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210934013.0A CN115240072B (zh) 2022-08-04 2022-08-04 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法

Publications (2)

Publication Number Publication Date
CN115240072A true CN115240072A (zh) 2022-10-25
CN115240072B CN115240072B (zh) 2024-03-12

Family

ID=83678378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210934013.0A Active CN115240072B (zh) 2022-08-04 2022-08-04 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法

Country Status (1)

Country Link
CN (1) CN115240072B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051896A (zh) * 2023-01-28 2023-05-02 西南交通大学 一种轻量化混合张量神经网络的高光谱图像分类方法
CN116229174A (zh) * 2023-03-10 2023-06-06 南京审计大学 一种基于空谱联合注意力机制的高光谱多类变化检测方法
CN116754499A (zh) * 2023-08-23 2023-09-15 天津中科谱光信息技术有限公司 多拓扑节点高光谱水质参数联合反演方法及相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170235996A1 (en) * 2015-07-28 2017-08-17 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN111914909A (zh) * 2020-07-15 2020-11-10 南京审计大学 基于空谱联合三方向卷积网络的高光谱变化检测方法
CN112733725A (zh) * 2021-01-12 2021-04-30 西安电子科技大学 基于多级循环卷积自编码网络的高光谱图像变化检测方法
CN113793289A (zh) * 2021-09-10 2021-12-14 海南大学 基于cnn和nsct的多光谱图像和全色图像模糊融合方法
CN113850769A (zh) * 2021-09-17 2021-12-28 南京审计大学 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法
CN113962943A (zh) * 2021-10-08 2022-01-21 南京审计大学 一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170235996A1 (en) * 2015-07-28 2017-08-17 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN108942409A (zh) * 2018-08-26 2018-12-07 西北工业大学 基于残差卷积神经网络的刀具磨损量的建模和监测方法
CN111914909A (zh) * 2020-07-15 2020-11-10 南京审计大学 基于空谱联合三方向卷积网络的高光谱变化检测方法
CN112733725A (zh) * 2021-01-12 2021-04-30 西安电子科技大学 基于多级循环卷积自编码网络的高光谱图像变化检测方法
CN113793289A (zh) * 2021-09-10 2021-12-14 海南大学 基于cnn和nsct的多光谱图像和全色图像模糊融合方法
CN113850769A (zh) * 2021-09-17 2021-12-28 南京审计大学 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法
CN113962943A (zh) * 2021-10-08 2022-01-21 南京审计大学 一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIALANG XU等: "Remote Sensing Change Detection Based on Multidirectional Adaptive Feature fusion and Perceptual Similarity", MDPI, 3 August 2021 (2021-08-03), pages 1 - 24 *
张祥东等: "基于多尺度残差网络的小样本高光谱图像分类", 激光与光电子学进展, vol. 57, no. 16, pages 348 - 355 *
董永生等: "基于方向多尺度变换和统计建模的纹理分类方法", 中国科学：数学, no. 11, 31 December 2013 (2013-12-31), pages 1059 - 1070 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051896A (zh) * 2023-01-28 2023-05-02 西南交通大学 一种轻量化混合张量神经网络的高光谱图像分类方法
CN116229174A (zh) * 2023-03-10 2023-06-06 南京审计大学 一种基于空谱联合注意力机制的高光谱多类变化检测方法
CN116754499A (zh) * 2023-08-23 2023-09-15 天津中科谱光信息技术有限公司 多拓扑节点高光谱水质参数联合反演方法及相关设备
CN116754499B (zh) * 2023-08-23 2023-10-31 天津中科谱光信息技术有限公司 多拓扑节点高光谱水质参数联合反演方法及相关设备

Also Published As

Publication number Publication date
CN115240072B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN110321963B (zh) 基于融合多尺度多维空谱特征的高光谱图像分类方法
Zhang et al. A feature difference convolutional neural network-based change detection method
CN110969088B (zh) 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN115240072B (zh) 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法
CN107992891B (zh) 基于光谱矢量分析多光谱遥感图像变化检测方法
CN106503739A (zh) 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统
CN113361485B (zh) 基于光谱空间注意力融合和可变形卷积残差网络的高光谱图像分类方法
CN111626267B (zh) 一种利用空洞卷积的高光谱遥感图像分类方法
CN113673556B (zh) 一种基于多尺度密集卷积网络的高光谱图像分类方法
CN112381144B (zh) 非欧与欧氏域空谱特征学习的异构深度网络方法
CN112580480B (zh) 一种高光谱遥感影像分类方法及装置
CN106096655A (zh) 一种基于卷积神经网络的光学遥感图像飞机检测方法
Rangzan et al. Supervised cross-fusion method: a new triplet approach to fuse thermal, radar, and optical satellite data for land use classification
Yuan et al. ROBUST PCANet for hyperspectral image change detection
CN112052758A (zh) 基于注意力机制和循环神经网络的高光谱图像分类方法
CN113469084B (zh) 基于对比生成对抗网络的高光谱图像分类方法
CN109145950B (zh) 一种基于图信号采样的高光谱图像主动学习方法
CN116977747B (zh) 基于多路多尺度特征孪生网络的小样本高光谱分类方法
CN117115675A (zh) 一种跨时相轻量化空谱特征融合高光谱变化检测方法、系统、设备及介质
Hu et al. SPNet: A spectral patching network for end-to-end hyperspectral image classification
Jijón-Palma et al. Improving stacked-autoencoders with 1D convolutional-nets for hyperspectral image land-cover classification
CN115082533A (zh) 一种基于自监督的临近空间遥感图像配准方法
CN113850315A (zh) 结合emp特征和tnt模块的高光谱影像分类方法及装置
Hu et al. Detection of Tea Leaf Blight in Low-Resolution UAV Remote Sensing Images

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