CN117541626A - 基于深度学习的遥感影像变化检测方法 - Google Patents
基于深度学习的遥感影像变化检测方法 Download PDFInfo
- Publication number
- CN117541626A CN117541626A CN202410021856.0A CN202410021856A CN117541626A CN 117541626 A CN117541626 A CN 117541626A CN 202410021856 A CN202410021856 A CN 202410021856A CN 117541626 A CN117541626 A CN 117541626A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- pixel point
- difference
- kth
- mth
- 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
- 230000008859 change Effects 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010521 absorption reaction Methods 0.000 claims description 52
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000002835 absorbance Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 239000000126 substance Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
Abstract
本发明涉及图像处理技术领域,具体涉及基于深度学习的遥感影像变化检测方法。方法包括:获取待检测土地的两帧遥感影像以及对应的光谱曲线;基于光谱曲线确定每个像素点对应的特征波段,对两帧遥感影像中同一位置的像素点对应的特征波段进行匹配得到每个位置对应的目标程度;根据每个位置对应的特征波段与其邻域位置对应的特征波段的差异以及每个位置与其邻域位置对应的目标程度的差异,得到每个位置对应的置信度;基于目标程度和置信度确定采样概率;根据采样概率和两帧遥感影像中同一位置像素点的吸收率的差异,获得各点对应的异常得分值,进而判断每个位置是否发生变化。本发明提高了待检测土地遥感影像的变化情况检测结果的准确度。
Description
本发明涉及图像处理技术领域,具体涉及基于深度学习的遥感影像变化检测方法。
背景技术
遥感影像变化检测被广泛用于土地利用监测、城市规划、森林管理、农业监测、环境监测等各种遥感应用领域,可以为决策者提供更准确的变化信息,有助于更好地管理资源和环境。为了对遥感影像中的异常变化情况进行检测,常采用孤立森林算法对采集到的遥感影像进行处理,但在孤立森林获取过程中,由于图像变化的特点,变化像素点在孤立森林中可能会有较多的样本点呈现出类似的分布,即出现异常点过多的情况,这会导致孤立森林判断各点异常程度的精确程度下降,使得遥感影像的变化情况检测结果的准确度较低。
发明内容
为了解决现有方法在对遥感影像的变化情况进行检测时存在的检测结果准确度较低的问题,本发明的目的在于提供一种基于深度学习的遥感影像变化检测方法,所采用的技术方案具体如下:
本发明提供了一种基于深度学习的遥感影像变化检测方法,该方法包括以下步骤:
获取待检测土地的两帧遥感影像以及每帧遥感影像中每个像素点对应的光谱曲线;
基于光谱曲线上数据值的差异情况确定每帧遥感影像中每个像素点对应的各特征波段;对两帧遥感影像中同一位置的像素点对应的特征波段进行匹配,根据匹配结果以及匹配结果对应的吸收率,得到每个位置对应的目标程度;根据每个位置对应的特征波段与其邻域位置对应的特征波段的差异以及每个位置与其邻域位置对应的目标程度的差异,得到每个位置对应的置信度;
基于所述目标程度和所述置信度确定每个位置对应的采样概率;根据所述采样概率和两帧遥感影像中同一位置的像素点的吸收率的差异构建孤立树;根据所述孤立树获得各点对应的异常得分值;
基于所有异常得分值判断每个位置是否发生变化。
优选的,所述基于光谱曲线上数据值的差异情况确定每帧遥感影像中每个像素点对应的各特征波段,包括:
对于任意一帧遥感影像中的第i个像素点:
将第i个像素点对应的光谱曲线上位于第a个波段的预设邻域内的波段,记为第a个波段对应的参考波段;若第a个波段对应的参考波段中每相邻两个参考波段对应的吸收率的差异均大于或等于预设差异阈值,则将第a个波段确定为第i个像素点对应的特征波段。
优选的,所述对两帧遥感影像中同一位置的像素点对应的特征波段进行匹配,根据匹配结果以及匹配结果对应的吸收率,得到每个位置对应的目标程度,包括:
对于第k个位置:
对于任意一帧遥感影像中的第k个像素点:将第k个像素点对应的所有特征波段对应的吸收率构成的集合记为第k个位置对应的吸收率集合;
对第k个位置对应的两个吸收率集合进行匹配获得多个匹配对,每个匹配对中包含两个特征波段,且每个匹配对中的两个特征波段位于不同帧遥感影像中第k个像素点对应的光谱曲线上;
根据第k个位置对应的两个吸收率集合之间的DTW距离、每个匹配对中两个特征波段对应的吸收率的差异,得到第k个位置对应的目标程度。
优选的,采用如下公式计算第k个位置对应的目标程度:
;
其中,表示第k个位置对应的目标程度,/>表示第k个位置对应的两个吸收率集合之间的DTW距离,/>表示对第k个位置对应的两个吸收率集合进行匹配获得匹配对的数量,/>表示第j个匹配对中第1个特征波段对应的吸收率,/>表示第j个匹配对中第2个特征波段对应的吸收率,norm( )表示归一化函数,exp( )表示以自然常数为底数的指数函数,/>表示取绝对值符号。
优选的,根据每个位置对应的特征波段与其邻域位置对应的特征波段的差异以及每个位置与其邻域位置对应的目标程度的差异,得到每个位置对应的置信度,包括:
分别对两帧遥感影像中相同位置像素点对应的吸收率做差获得差异影像,在差异影像中,获取每个像素点对应的吸收率集合;
对于所述差异图像中的第m个像素点:分别获取第m个像素点对应的吸收率集合与其每个邻域像素点对应的吸收率集合之间的DTW距离;
根据第m个像素点与其每个邻域像素点对应的吸收率集合之间的DTW距离、第m个位置与其每个邻域位置对应的目标程度之间的差异,得到第m个位置对应的置信度。
优选的,根据第m个像素点与其每个邻域像素点对应的吸收率集合之间的DTW距离、第m个位置与其每个邻域位置对应的目标程度之间的差异,得到第m个位置对应的置信度,包括:
计算第m个像素点与其第r个邻域像素点对应的吸收率集合之间的DTW距离的相反数的归一化结果,将所述归一化结果和第m个位置与其第r个邻域像素点对应的目标程度之间的差异的乘积记为第r个邻域像素点对应的第一特征值;
将第m个像素点的所有邻域像素点对应的第一特征值的均值,确定为第m个位置对应的置信度。
优选的,所述基于所述目标程度和所述置信度确定每个位置对应的采样概率,包括:
对于第k个位置:
将第k个位置对应的置信度的相反数的归一化结果与第k个位置对应的目标程度的乘积,作为第k个位置的第二特征值;
获取每次采样选取的所有位置的第二特征值的和值;
将第k个位置的第二特征值与所述和值的比值,作为第k个位置对应的采样概率。
优选的,根据所述采样概率和两帧遥感影像中同一位置的像素点的吸收率的差异构建孤立树,包括:
根据每个位置的采样概率进行采样,每次选取两个位置进行虚拟样本的构建,第个位置和第/>个位置加权处理后的数值为:
;
其中,表示第/>个位置和第/>个位置加权处理后的数值,/>表示第/>个位置对应的采样概率,/>表示第/>个位置对应的采样概率,/>表示差异影像中第/>个像素点对应的吸收率,/>表示差异影像中第/>个像素点对应的吸收率;
基于加权处理后对应的值生成孤立树。
优选的,所述基于所有异常得分值判断每个位置是否发生变化,包括:
对所有异常得分值进行聚类获得不少于三个聚类簇,分别将每个聚类簇中所有异常得分值的平均值作为每个聚类簇的平均得分;将平均得分最小的聚类簇中异常得分对应的位置作为未发生变化的位置,将平均得分最大的聚类簇中异常得分对应的位置作为发生变化的位置;将所有聚类簇中除平均得分最小的聚类簇和平均得分最大的聚类簇外的其他聚类簇记为待处理聚类簇;
将平均得分最小的聚类簇中异常得分对应的位置构成的区域和平均得分最大的聚类簇中异常得分对应的位置构成的区域作为神经网络的训练集,对神经网络进行训练获得训练好的神经网络;
将待处理聚类簇中异常得分对应的位置构成的区域输入到训练好的神经网络中,判断待处理聚类簇中异常得分对应的每个位置是否发生变化。
优选的,采用K-means聚类算法对所有异常得分值进行聚类。
本发明至少具有如下有益效果:
本发明首先获取了待检测土地的两帧遥感影像中每个像素点对应的光谱曲线,然后结合两帧遥感影像的相似性,对两帧遥感影像中同一位置的像素点对应的特征波段进行匹配,利用各点的特征波段结合其在不同影像中的变化情况,对每个位置对应的目标程度和置信度进行了评价,结合目标程度和置信度确定了每个位置对应的采样概率,进一步地结合两帧遥感影像中同一位置的像素点的吸收率的差异构建孤立树,确定对应的异常得分值,进而判断每个位置是否发生了变化,本发明提高了待检测土地遥感影像的变化情况检测结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种基于深度学习的遥感影像变化检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于深度学习的遥感影像变化检测方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于深度学习的遥感影像变化检测方法的具体方案。
基于深度学习的遥感影像变化检测方法实施例:
本实施例所针对的具体场景为:在对待检测土地的变化情况进行检测时,一般采集两帧待检测土地的遥感影像,然后对采集到的两帧遥感影像进行分析,基于分析结果确定发生变化的位置和未发生变化的位置。
本实施例提出了基于深度学习的遥感影像变化检测方法,如图1所示,本实施例的基于深度学习的遥感影像变化检测方法包括以下步骤:
步骤S1,获取待检测土地的两帧遥感影像以及每帧遥感影像中每个像素点对应的光谱曲线。
本实施例首先采集待检测土地当前时刻的遥感影像,并从图像库中调取待检测土地历史时刻的遥感影像,本实施例中的历史时刻为一年前,在具体应用中,实施者可根据具体情况进行设置。至此,本实施例获取了待检测土地当前时刻和历史时刻的两帧遥感影像,接下来将对这两帧遥感影像进行分析,进而确定发生变化的位置和未发生变化的位置。
分别获取待检测土地的两帧遥感影像中每个像素点对应的光谱曲线,光谱曲线的横坐标为波段的序号,纵坐标为吸收率,光谱曲线的获取过程为现有技术,此处不再过多赘述。
步骤S2,基于光谱曲线上数据值的差异情况确定每帧遥感影像中每个像素点对应的各特征波段;对两帧遥感影像中同一位置的像素点对应的特征波段进行匹配,根据匹配结果以及匹配结果对应的吸收率,得到每个位置对应的目标程度;根据每个位置对应的特征波段与其邻域位置对应的特征波段的差异以及每个位置与其邻域位置对应的目标程度的差异,得到每个位置对应的置信度。
本实施例主要是对不同时相的遥感数据中各点的光谱数据进行分析,在孤立森林获取过程中加入一定量的虚拟样本进行异常检测,使得各棵孤立树进行异常检测的结果更加可信。
在孤立森林的构建过程中,对于单棵孤立树而言,其包含的多个样本为图像中的多个像素点对应在两个时相下光谱数据的差值,但由于随机抽样的特点,单个树的根节点中可能会包含多个变化的像素点,这会使得变化的像素点在单个树中的路径长度过大,进而对最终结果产生影响,故需要分析各样本即各像素点在不同时相下遥感影像中的变化情况,进而获取各位置对应的目标程度以得到各位置在其对应根节点下的采样概率,通过赋予变化较小的位置以更高的采样概率进而获取虚拟样本的方式,使得在孤立树生成过程中,缩小异常样本的相对路径长度,进而提高异常得分精度。
由于各点在不同时相下的光谱数据表示的是其对应空间分辨率大小下区域内的不同物质的反射情况,而不同区域下其反射情况应当有所不同,故根据各点的光谱数据进行分析,获取各点的特征波段以利用其对应的光谱数据的变化代表该区域内物质的变化情况。接下来本实施例基于每帧遥感影像中每个像素点对应的光谱曲线上数据值的差异情况,确定每帧遥感影像中每个像素点对应的各特征波段。
对于任意一帧遥感影像中的第i个像素点:将第i个像素点对应的光谱曲线上位于第a个波段的预设邻域内的波段,记为第a个波段对应的参考波段;若每相邻两个参考波段对应的吸收率的差异均大于或等于预设差异阈值,则将第a个波段确定为第i个像素点对应的特征波段。需要说明的是:一个像素点可能对应多个特征波段。本实施例中第a个波段的预设邻域内的波段为第a个波段左侧与第a个波段距离最近的5个波段以及第a个波段右侧与第a个波段距离最近的5个波段,本实施例中预设差异阈值为0.12,在具体应用中,实施者可根据具体情况设置预设邻域内的波段的数量以及预设差异阈值。采用上述方法,能够获得每帧遥感影像中每个像素点对应的多个特征波段。利用各点的光谱数据的极大值点所在波段作为各像素点的特征波段,但可能存在部分噪声点以及变化较小的局部极大值,故在此基础上,设置了极大值点取值的邻域范围以及需要满足的预设差异阈值,以保证各特征波段能够真实反映对应区域内不同物质的含量。
若待检测土地上同一位置在两帧遥感影像中对应的特征波段的分布较为相似,则该位置处发生的变化较小,反之则其变化较大,故利用所得特征波段的相似性来衡量每个位置对应的目标程度,进而可以根据目标程度确定对应的采样概率。
具体地,对于待检测土地上的第k个位置:
对于任意一帧遥感影像中的第k个像素点:将第k个像素点对应的所有特征波段对应的吸收率构成的集合记为第k个位置对应的吸收率集合;因此能够获得第k个位置对应的两个吸收率集合;对第k个位置对应的两个吸收率集合进行匹配获得多个匹配对,每个匹配对中包含两个特征波段,且每个匹配对中的两个特征波段位于不同帧遥感影像中第k个像素点对应的光谱曲线上;根据第k个位置对应的两个吸收率集合之间的DTW距离、每个匹配对中两个特征波段对应的吸收率的差异,得到第k个位置对应的目标程度。第k个位置对应的目标程度的具体计算公式为:
;
其中,表示第k个位置对应的目标程度,/>表示第k个位置对应的两个吸收率集合之间的DTW距离,/>表示对第k个位置对应的两个吸收率集合进行匹配获得匹配对的数量,/>表示第j个匹配对中第1个特征波段对应的吸收率,/>表示第j个匹配对中第2个特征波段对应的吸收率,norm( )表示归一化函数,exp( )表示以自然常数为底数的指数函数,/>表示取绝对值符号。
表示第j个匹配对中两个特征波段两个特征波段对应的吸收率的差异。本实施例根据匹配关系,结合各匹配波段对应吸收率的差异值,计算各位置对应的目标程度,若第k个位置对应的两个吸收率集合之间的DTW距离越小,且其对应匹配关系之间的光谱数据吸收率差异越小,则应当赋予其较大的目标程度,在一定程度上衡量了其对应区域内物质及其的变化。
采用上述方法,能够获得每个位置对应的目标程度。
由于待检测土地受环境的多重因素的影响,因此仅仅根据物质含量的差异性,并不能够表征真实的变化;由于变化区域内各点在不同时相下的差异较大,且其变化并不具备规律性,因此可以利用差异影像局部的规律性表征目标程度的可靠性。基于此,本实施例将根据每个位置对应的特征波段与其邻域位置对应的特征波段的差异以及每个位置与其邻域位置对应的目标程度的差异,对每个位置对应的置信度进行评价。
具体地,分别对两帧遥感影像中相同位置像素点对应的吸收率做差获得差异影像,在差异影像中,获取每个像素点对应的吸收率集合;对于所述差异图像中的第m个像素点:分别获取第m个像素点对应的吸收率集合与其每个邻域像素点对应的吸收率集合之间的DTW距离;计算第m个像素点与其第r个邻域像素点对应的吸收率集合之间的DTW距离的相反数的归一化结果,将所述归一化结果和第m个位置与其第r个邻域像素点对应的目标程度之间的差异的乘积记为第r个邻域像素点对应的第一特征值;将第m个像素点的所有邻域像素点对应的第一特征值的均值,确定为第m个位置对应的置信度。第m个位置对应的置信度的具体计算公式为:
;
其中,表示第m个位置对应的置信度,R表示第m个像素点的邻域像素点的数量,表示第m个像素点与其第r个邻域像素点对应的吸收率集合之间的DTW距离,/>表示第m个位置对应的目标程度,/>表示第m个位置的第r个邻域像素点对应的目标程度。
利用各像素点与其邻域内像素点的目标程度的差异,作为各像素点在其邻域内规律性的度量,但在邻域内可能存在不同区域边界的情况,两个不同区域包含的物质不同不应当进行比较,故在目标程度的差异的基础上,利用各像素点在差异影像中吸收率集合之间的DTW距离作为权重进行加权平均,进而得到各位置对应的置信度。当第m个像素点与其第r个邻域像素点对应的吸收率集合之间的DTW距离越小、第m个位置与其第r个邻域像素点对应的目标程度之间的差异越小时,第m个位置对应的置信度越大。
采用上述方法,能够获得每个位置对应的置信度。
步骤S3,基于所述目标程度和所述置信度确定每个位置对应的采样概率;根据所述采样概率和两帧遥感影像中同一位置的像素点的吸收率的差异构建孤立树;根据所述孤立树获得各点对应的异常得分值。
在获得每个位置对应的目标程和置信度之后,考虑孤立树生成过程中,各样本被分配在了不同的孤立树的根节点中,而进行虚拟样本的构建,则是利用各点的线性组合来对样本集进行扩充,为了使得异常样本即变化概率较高的像素点在孤立树中路径较短,则应当赋予其较小的采样概率,反之则赋予较高的采样概率。
本实施例中采集到的两帧遥感影像的大小相等,也即这两帧遥感影像与差异影像的大小均相等,每帧图像中包含的像素点的数量均为N个,也即共有N个样本,分别以各样本对应多个波段下数据作为各样本的特征进行孤立森林的构建,每次采样的个数取,其中floor( )表示取整符号,即每棵树的训练样本数量,采样次数即树的个数取/>,其中,树的深度取/>。
对于第k个位置:
将第k个位置对应的置信度的相反数的归一化结果与第k个位置对应的目标程度的乘积,作为第k个位置的第二特征值;获取每次采样选取的所有位置的第二特征值的和值;将第k个位置的第二特征值与所述和值的比值,作为第k个位置对应的采样概率。
利用置信度的相反数的归一化结果,对各位置对应的目标程度进行加权,而后各位置对应的采样概率根据其归一化结果得到,以保证在根节点内所有样本采样概率之和为1。
在获得各位置对应的采样概率后,对每次采样所获取的S个样本,分别构建个虚拟样本进行样本集的扩充,/>为预设数值,S为每次采样选取的样本的数量;本实施例中/>的值为1.5,在具体应用中,实施者可根据具体情况进行设置。在各子节点中,根据所得各样本的采样概率进行采样,每次选取两个样本进行虚拟样本的构建,第/>个位置和第/>个位置加权处理后的数值为:
;
其中,表示第/>个位置和第/>个位置加权处理后的数值,/>表示第/>个位置对应的采样概率,/>表示第/>个位置对应的采样概率,/>表示差异影像中第/>个像素点对应的吸收率,/>表示差异影像中第/>个像素点对应的吸收率。
对于一次采样所获取的两个样本,利用其对应概率比重进对其数据进行加权平均,使得所得到的虚拟样本距离采样概率较高的样本距离较小,而与采样概率较低的样本距离较大。进而获取多个虚拟样本后进行样本集的扩张,生成孤立树,进而计算各点对应的异常得分值。孤立树的构建过程以及异常得分值的获取方法均为现有技术,此处不再过多赘述。
步骤S4,基于所有异常得分值判断每个位置是否发生变化。
本实施例在获得所有的异常得分值后,采用K-means聚类算法对所有异常得分值进行聚类获得多个聚类簇,本实施例在采用K-means聚类算法进行聚类时K的值为5,因此本实施例将所有异常得分值划分为了5个聚类簇,在具体应用中,实施者可根据具体情况设置K的值。分别将每个聚类簇中所有异常得分值的平均值作为每个聚类簇的平均得分;将平均得分最小的聚类簇中异常得分对应的位置作为未发生变化的位置,将平均得分最大的聚类簇中异常得分对应的位置作为发生变化的位置;将所有聚类簇中除平均得分最小的聚类簇和平均得分最大的聚类簇外的其他聚类簇记为待处理聚类簇,也即获得了多个待处理聚类簇。
将平均得分最小的聚类簇中异常得分对应的位置构成的区域和平均得分最大的聚类簇中异常得分对应的位置构成的区域作为神经网络的训练集,对神经网络进行训练获得训练好的神经网络;本实施例中的神经网络用于对图像进行分类,神经网络的输出为分好类的图像,神经网络的训练过程为现有技术,此处不再过多赘述。将待处理聚类簇中异常得分对应的位置构成的区域输入到训练好的神经网络中,判断待处理聚类簇中异常得分对应的每个位置是否发生变化。
至此,采用本实施例提供的方法,完成了对待检测土地的遥感影像的变化检测。
本实施例首先获取了待检测土地的两帧遥感影像中每个像素点对应的光谱曲线,然后结合两帧遥感影像的相似性,对两帧遥感影像中同一位置的像素点对应的特征波段进行匹配,利用各点的特征波段结合其在不同影像中的变化情况,对每个位置对应的目标程度和置信度进行了评价,结合目标程度和置信度确定了每个位置对应的采样概率,进一步地结合两帧遥感影像中同一位置的像素点的吸收率的差异构建孤立树,确定对应的异常得分值,进而判断每个位置是否发生了变化,本实施例提高了待检测土地遥感影像的变化情况检测结果的准确度。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的遥感影像变化检测方法,其特征在于,该方法包括以下步骤:
获取待检测土地的两帧遥感影像以及每帧遥感影像中每个像素点对应的光谱曲线;
基于光谱曲线上数据值的差异情况确定每帧遥感影像中每个像素点对应的各特征波段;对两帧遥感影像中同一位置的像素点对应的特征波段进行匹配,根据匹配结果以及匹配结果对应的吸收率,得到每个位置对应的目标程度;根据每个位置对应的特征波段与其邻域位置对应的特征波段的差异以及每个位置与其邻域位置对应的目标程度的差异,得到每个位置对应的置信度;
基于所述目标程度和所述置信度确定每个位置对应的采样概率;根据所述采样概率和两帧遥感影像中同一位置的像素点的吸收率的差异构建孤立树;根据所述孤立树获得各点对应的异常得分值;
基于所有异常得分值判断每个位置是否发生变化。
2.根据权利要求1所述的基于深度学习的遥感影像变化检测方法,其特征在于,所述基于光谱曲线上数据值的差异情况确定每帧遥感影像中每个像素点对应的各特征波段,包括:
对于任意一帧遥感影像中的第i个像素点:
将第i个像素点对应的光谱曲线上位于第a个波段的预设邻域内的波段,记为第a个波段对应的参考波段;若第a个波段对应的参考波段中每相邻两个参考波段对应的吸收率的差异均大于或等于预设差异阈值,则将第a个波段确定为第i个像素点对应的特征波段。
3.根据权利要求1所述的基于深度学习的遥感影像变化检测方法,其特征在于,所述对两帧遥感影像中同一位置的像素点对应的特征波段进行匹配,根据匹配结果以及匹配结果对应的吸收率,得到每个位置对应的目标程度,包括:
对于第k个位置:
对于任意一帧遥感影像中的第k个像素点:将第k个像素点对应的所有特征波段对应的吸收率构成的集合记为第k个位置对应的吸收率集合;
对第k个位置对应的两个吸收率集合进行匹配获得多个匹配对,每个匹配对中包含两个特征波段,且每个匹配对中的两个特征波段位于不同帧遥感影像中第k个像素点对应的光谱曲线上;
根据第k个位置对应的两个吸收率集合之间的DTW距离、每个匹配对中两个特征波段对应的吸收率的差异,得到第k个位置对应的目标程度。
4.根据权利要求3所述的基于深度学习的遥感影像变化检测方法,其特征在于,采用如下公式计算第k个位置对应的目标程度:
;
其中,表示第k个位置对应的目标程度,/>表示第k个位置对应的两个吸收率集合之间的DTW距离,/>表示对第k个位置对应的两个吸收率集合进行匹配获得匹配对的数量,/>表示第j个匹配对中第1个特征波段对应的吸收率,/>表示第j个匹配对中第2个特征波段对应的吸收率,norm( )表示归一化函数,exp( )表示以自然常数为底数的指数函数,/>表示取绝对值符号。
5.根据权利要求3所述的基于深度学习的遥感影像变化检测方法,其特征在于,根据每个位置对应的特征波段与其邻域位置对应的特征波段的差异以及每个位置与其邻域位置对应的目标程度的差异,得到每个位置对应的置信度,包括:
分别对两帧遥感影像中相同位置像素点对应的吸收率做差获得差异影像,在差异影像中,获取每个像素点对应的吸收率集合;
对于所述差异图像中的第m个像素点:分别获取第m个像素点对应的吸收率集合与其每个邻域像素点对应的吸收率集合之间的DTW距离;
根据第m个像素点与其每个邻域像素点对应的吸收率集合之间的DTW距离、第m个位置与其每个邻域位置对应的目标程度之间的差异,得到第m个位置对应的置信度。
6.根据权利要求5所述的基于深度学习的遥感影像变化检测方法,其特征在于,根据第m个像素点与其每个邻域像素点对应的吸收率集合之间的DTW距离、第m个位置与其每个邻域位置对应的目标程度之间的差异,得到第m个位置对应的置信度,包括:
计算第m个像素点与其第r个邻域像素点对应的吸收率集合之间的DTW距离的相反数的归一化结果,将所述归一化结果和第m个位置与其第r个邻域像素点对应的目标程度之间的差异的乘积记为第r个邻域像素点对应的第一特征值;
将第m个像素点的所有邻域像素点对应的第一特征值的均值,确定为第m个位置对应的置信度。
7.根据权利要求1所述的基于深度学习的遥感影像变化检测方法,其特征在于,所述基于所述目标程度和所述置信度确定每个位置对应的采样概率,包括:
对于第k个位置:
将第k个位置对应的置信度的相反数的归一化结果与第k个位置对应的目标程度的乘积,作为第k个位置的第二特征值;
获取每次采样选取的所有位置的第二特征值的和值;
将第k个位置的第二特征值与所述和值的比值,作为第k个位置对应的采样概率。
8.根据权利要求5所述的基于深度学习的遥感影像变化检测方法,其特征在于,根据所述采样概率和两帧遥感影像中同一位置的像素点的吸收率的差异构建孤立树,包括:
根据每个位置的采样概率进行采样,每次选取两个位置进行虚拟样本的构建,第个位置和第/>个位置加权处理后的数值为:
;
其中,表示第/>个位置和第/>个位置加权处理后的数值,/>表示第/>个位置对应的采样概率,/>表示第/>个位置对应的采样概率,/>表示差异影像中第/>个像素点对应的吸收率,/>表示差异影像中第/>个像素点对应的吸收率;
基于加权处理后对应的值生成孤立树。
9.根据权利要求1所述的基于深度学习的遥感影像变化检测方法,其特征在于,所述基于所有异常得分值判断每个位置是否发生变化,包括:
对所有异常得分值进行聚类获得不少于三个聚类簇,分别将每个聚类簇中所有异常得分值的平均值作为每个聚类簇的平均得分;将平均得分最小的聚类簇中异常得分对应的位置作为未发生变化的位置,将平均得分最大的聚类簇中异常得分对应的位置作为发生变化的位置;将所有聚类簇中除平均得分最小的聚类簇和平均得分最大的聚类簇外的其他聚类簇记为待处理聚类簇;
将平均得分最小的聚类簇中异常得分对应的位置构成的区域和平均得分最大的聚类簇中异常得分对应的位置构成的区域作为神经网络的训练集,对神经网络进行训练获得训练好的神经网络;
将待处理聚类簇中异常得分对应的位置构成的区域输入到训练好的神经网络中,判断待处理聚类簇中异常得分对应的每个位置是否发生变化。
10.根据权利要求9所述的基于深度学习的遥感影像变化检测方法,其特征在于,采用K-means聚类算法对所有异常得分值进行聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410021856.0A CN117541626B (zh) | 2024-01-08 | 2024-01-08 | 基于深度学习的遥感影像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410021856.0A CN117541626B (zh) | 2024-01-08 | 2024-01-08 | 基于深度学习的遥感影像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541626A true CN117541626A (zh) | 2024-02-09 |
CN117541626B CN117541626B (zh) | 2024-05-07 |
Family
ID=89796190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410021856.0A Active CN117541626B (zh) | 2024-01-08 | 2024-01-08 | 基于深度学习的遥感影像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541626B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867150A (zh) * | 2015-05-22 | 2015-08-26 | 武汉大学 | 遥感影像模糊聚类的波段修正变化检测方法及系统 |
CN106644092A (zh) * | 2017-01-05 | 2017-05-10 | 西安电子科技大学 | 基于可见光信息的红外纹理温度场调制方法 |
CN109255781A (zh) * | 2018-09-03 | 2019-01-22 | 河海大学 | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 |
WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
WO2021258758A1 (zh) * | 2020-06-22 | 2021-12-30 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN114694019A (zh) * | 2022-02-25 | 2022-07-01 | 中南大学 | 基于异常检测的遥感影像建筑物迁移提取方法 |
CN117292137A (zh) * | 2023-11-27 | 2023-12-26 | 广东泰一高新技术发展有限公司 | 一种航拍遥感影像优化分割处理方法 |
-
2024
- 2024-01-08 CN CN202410021856.0A patent/CN117541626B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867150A (zh) * | 2015-05-22 | 2015-08-26 | 武汉大学 | 遥感影像模糊聚类的波段修正变化检测方法及系统 |
CN106644092A (zh) * | 2017-01-05 | 2017-05-10 | 西安电子科技大学 | 基于可见光信息的红外纹理温度场调制方法 |
CN109255781A (zh) * | 2018-09-03 | 2019-01-22 | 河海大学 | 一种面向对象的基于crf的多时相多光谱遥感影像变化检测方法 |
WO2021077847A1 (zh) * | 2019-10-23 | 2021-04-29 | 北京建筑大学 | 一种基于高分遥感影像的海水污染区域识别方法和设备 |
WO2021258758A1 (zh) * | 2020-06-22 | 2021-12-30 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN114694019A (zh) * | 2022-02-25 | 2022-07-01 | 中南大学 | 基于异常检测的遥感影像建筑物迁移提取方法 |
CN117292137A (zh) * | 2023-11-27 | 2023-12-26 | 广东泰一高新技术发展有限公司 | 一种航拍遥感影像优化分割处理方法 |
Non-Patent Citations (1)
Title |
---|
张普照: "基于空时建模的遥感影像变化检测方法与应用", 《中国博士学位论文全文数据库》, no. 07, 31 July 2020 (2020-07-31), pages 1 - 77 * |
Also Published As
Publication number | Publication date |
---|---|
CN117541626B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101426B (zh) | 基于自编码器的无监督学习图像异常检测方法 | |
CN106559749B (zh) | 一种基于射频层析成像的多目标被动式定位方法 | |
CN108447057B (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110826642B (zh) | 一种针对传感器数据的无监督异常检测方法 | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part II: The use of nearest neighbour classification | |
CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
US11909751B2 (en) | Anomaly detection method based on IoT and apparatus thereof | |
CN116402825B (zh) | 轴承故障红外诊断方法、系统、电子设备及存储介质 | |
CN112507861A (zh) | 一种多层卷积特征融合的行人检测方法 | |
CN112613352A (zh) | 一种基于孪生网络的遥感图像变化检测方法 | |
CN117436005B (zh) | 一种环境空气自动监测过程中异常数据处理方法 | |
CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
Arul et al. | Machine learning based automated identification of thunderstorms from anemometric records using shapelet transform | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN117541626B (zh) | 基于深度学习的遥感影像变化检测方法 | |
CN111428772B (zh) | 基于k-近邻自适应投票的光伏系统深度异常检测方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
Ji et al. | An automatic bad band pre-removal method for hyperspectral imagery | |
CN116167008A (zh) | 基于数据增强的物联感知云数据中心异常定位方法 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
Rezvanian et al. | Patch-based sparse and convolutional autoencoders for anomaly detection in hyperspectral 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 |