基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法制造技术

本发明专利技术公开了一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，步骤(1)、选取训练样本；步骤(2)、确定DCCAE网络参数，得到能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络；步骤(3)、将两幅多时相完整图像输入到训练好的DCCAE网络中，使得两幅图像在潜在空间相对光谱对齐，得到其在潜在空间的表示。与现有技术相比，本发明专利技术首次将深度神经网络应用到多时相跨传感器遥感图像相对光谱对齐算法中，有效提高了光谱对齐的准确率。

【技术实现步骤摘要】
基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法
本专利技术涉及图像处理领域，更具体地，涉及一种基于深度典型相关自编码网络的多时相跨传感器遥感图像相对光谱对齐算法。
技术介绍
变化检测(changedetection)是指处理不同时相同一区域的遥感图像以提取变化信息，并对特征差异或者空间结构差异做出定量或定性地分析的过程。变化检测是遥感领域重要研究方向，作为监测地表状况的关键技术，在众多领域发挥着巨大作用。遥感图像变化检测可以分析土地利用及覆盖情况，预估评测灾害发展趋势，识别森林植被变化，展示城市扩张和布局等表面覆盖变化趋势和演化规律等，具有紧迫的科学实践需求和广阔的实际应用前景。将多个传感器在不同时间采集到的图像处理和整合到标准的遥感系统中的方法是十分重要的。首先，从互补数据中提取出的融合特征具有更多的信息量；其次，从不同传感器采集到的多时相图像能够大大降低一些类似于相同的感测波长上光谱分辨率相同等约束，这样可能增加了这种研究的时间分辨率。另外，卫星运转需要一定的时间，用单一的传感器拍摄同一地理区域地表样况需要一定的周期。可以通过任意多传感器和跨传感器图像的集成来进一步减少图像处理系统的响应时间，例如灾后管理和灾后评估所需的响应时间。目前传感器种类丰富，数量较多，充分利用资源，用不同传感器得到的图像进行变化检测是一个不错的选择。跨传感器遥感图像相对光谱对齐后进行变化检测是一个非常广阔的领域，近年发展起来的深度学习(DeepLearning)为其提供了一个崭新的方向。从目前的研究成果来看，已取得了较好的成就，显示出深度学习在遥感图像变化检测方面的优良性能。但是，由于跨传感器多时相遥感图像的多样性和复杂性，这方面的研究依旧很少，深度学习在遥感图像变化检测领域中的应用还有很大的发掘空间。迄今为止，在国内外公开发表的论文和文献中尚未见到将深度典型相关自编码网络应用到遥感图像变化检测中。
技术实现思路
基于上述现有技术，本专利技术提出一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，利用一预处理手段，能将跨传感器遥感图像映射到同一潜在空间。本专利技术的一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，该算法包括以下步骤：步骤1、选取训练样本，即根据groundtruth随机选取一定数量的未发生变化的像元(即标签为0的像素点)作为训练样本；步骤2、确定计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，得到能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络，具体包括：将训练样本输入DCCAE网络，分别用两个神经网络f和g来提取图像X和Y的非线性特征，将提取出的非线性特征f(X)和g(Y)之间的关联性最大化，同时分别用重构自编码网络p和q来重构两个图像，利用梯度下降法优化重构误差和特征表示的关联性，损失函数表示为：该公式表示同时最大化特征表示的关联性和最小化两幅图像的重构误差；约束条件公式：uiTf(X)g(Y)Tvj＝0,fori≠j,其中，Wf，Wg，Wp，Wq分别表示f、g、p、q网络的权值，U＝[u1,...,uL]和V＝[v1,...,vL]表示典型相关分析的映射函数，分别将神经网络f和g输出的结果映射到潜在空间，λ＞0表示平衡参数，N表示样本点的个数，(rx,ry)＞0表示样本协方差估计的正则化参数；通过多次训练，计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，构建训练好的DCCAE网络；步骤3、将第一幅图像X和第二幅图像Y输入分别到训练好的DCCAE网络中的f网络和g网络中，网络输出结果为f(X)和g(Y)，f(X)和g(Y)是X和Y在潜在空间的表示，实现了二者在潜在空间的相对光谱对齐。与现有技术相比，本专利技术具有以下效果：得到一个类似于一个预处理的结果，将波段通道数不同、空间分辨率不一样的多时相遥感图像映射到同一潜在空间中，在这个空间中，可以使用任何变化检测算法，有着广泛的应用前景。附图说明图1为本专利技术的基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法整体流程图；图2为深度典型相关自编码网络(DCCAE)网络；图3为L5VSALI实验结果对比图。具体实施方式本专利技术将深度典型相关自编码网络(DCCAE)应用到跨传感器遥感图像变化检测的对图像的预处理过程中。为了充分利用传感器图像资源，将来自不同传感器获取的遥感图像经过DCCAE网络映射到同一潜在空间中，从而在这个空间中使用任何的变化检测算法。该预处理网络DCCAE由两个自编码网络和线性CCA算法构成。自编码网络的编码网络和译码网络是单独的两个网络。输入线性CCA算法的是两个编码网络的输出特征。首先输入两幅多时相遥感图像，根据groundtruth随机选取一定数量的未发生变化的像元作为训练样本；其次，将训练样本输入DCCAE网络，得到能够使得关联性最大并且重构误差最小的网络参数。接着，将完整的图像输入网络，使得两幅图像在潜在空间相对光谱对齐，得到其在潜在空间的表示。最后将处理后的图像输入到CVA变化检测模型中，提取变化信息。对变化检测结果进行评估，并输出结果。过程如下：步骤1、选取训练样本：根据groundtruth随机选取一定数量的未发生变化的像元(即标签为0的像素点)作为训练样本，并保存样本点的位置索引值。样本点的个数分别为50、100、250和500，分别选取10次。步骤2、确定计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，得到能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络：将训练样本输入DCCAE网络，分别用两个神经网络f和g来提取图像X和Y的非线性特征，将提取出的非线性特征f(X)和g(Y)之间的关联性最大化，同时分别用重构自编码网络p和q重构两个图像。需要最优化重构误差和特征表示的关联性，损失函数为：该公式表示同时最大化特征表示的关联性和最小化两幅图像的重构误差。uiTf(X)g(Y)Tvj＝0,fori≠j,约束条件公式：uiTf(X)g(Y)Tvj＝0,fori≠j,其中，Wf，Wg，Wp，Wq分别表示f、g、p、q网络的权值，U＝[u1,...,uL]和V＝[v1,...,vL]表示典型相关分析的映射函数，分别将神经网络f和g输出的结果映射到潜在空间，λ＞0表示平衡参数，N表示样本点的个数，(rx,ry)＞0表示样本协方差估计的正则化参数；通过多次训练，计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，构建训练好的DCCAE网络。进一步通过批量梯度下降法(BatchGradientDescent)对损失函数进行优化，寻找到最优的参数。因为遥感图像的训练集数据量较小，直接采用BGD通过对所有的样本的计算来求解梯度的方向。每个参数θ对应的梯度为：每个参数θ的值为：其中，hθ(x)是要拟合的函数，是损失函数，θ是要迭代求解的参数，m是训练集的记录条数，j是参数的个数。通过多次训练，计算出DCCAE网络每一层的权值和偏置值，构建训练好的DCCAE网络。步骤3、将第一幅图像X和第二幅图像Y输入分别到训练好的DCCAE网络中的f网络和g网络中，网络输出结果为f(X)和g(Y)。f(X)和g(Y)是X和Y在本文档来自技高网...

【技术保护点】
一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，其特征在于，该算法包括以下步骤：步骤(1)、选取训练样本，即根据groundtruth随机选取一定数量的未发生变化的像元(即标签为0的像素点)作为训练样本；步骤(2)、确定计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，得到能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络，具体包括：将训练样本输入DCCAE网络，分别用两个神经网络f和g来提取图像X和Y的非线性特征，将提取出的非线性特征f(X)和g(Y)之间的关联性最大化，同时分别用重构自编码网络p和q来重构两个图像，利用梯度下降法优化重构误差和特征表示的关联性，损失函数表示为：

【技术特征摘要】
1.一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，其特征在于，该算法包括以下步骤：步骤(1)、选取训练样本，即根据groundtruth随机选取一定数量的未发生变化的像元(即标签为0的像素点)作为训练样本；步骤(2)、确定计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，得到能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络，具体包括：将训练样本输入DCCAE网络，分别用两个神经网络f和g来提取图像X和Y的非线性特征，将提取出的非线性特征f(X)和g(Y)之间的关联性最大化，同时分别用重构自编码网络p和q来重构两个图像，利用梯度下降法优化重构误差和特征表示的关联性，损失函数表示为：该公式表示同时最大化特征表示的关联性和...

【专利技术属性】
技术研发人员：周圆，杨晶，冯丽洋，李绰，张天昊，张业达，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12