基于深度卷积神经网络的端对端高光谱图像变化检测方法技术

本发明专利技术提供了一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。首先，对高光谱图像进行预处理，并提取所有像元的端元；然后，利用线性和非线性解混方法对高光谱图像进行混合像元分解，得到线性与非线性丰度图；接着，利用丰度图和原始像元信息计算亲和矩阵，并将其作为卷积神经网络的输入，训练得到用于变化检测的网络模型；最后，利用训练好的网络模型进行变化检测，得到最终的变化检测结果。由于亲和矩阵充分利用了高光谱图像的像元及亚像元的信息，而采用卷积神经网络进行端对端高光谱图像变化检测，将变化检测转换为简单的“变与不变”的二分类问题，可以有效地处理高光谱图像的高维信息，提高变化检测的鲁棒性和精度。

【技术实现步骤摘要】
基于深度卷积神经网络的端对端高光谱图像变化检测方法
本专利技术属图像处理
，具体涉及一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。
技术介绍
变化检测作为遥感图像分析中观测地物的一项重要应用，为土地覆盖和利用、自然灾害监测以及资源勘探等提供了有效的技术手段。在众多遥感图像中，高光谱图像含有丰富的光谱信息，可以根据光谱特征显示出其他遥感图像无法检测出的微小的变化，反映出可见光数据所忽略的变化信息，能够更快、更好、更精确地反映地物的变化情况。根据在检测前是否需要对同一地域进行分类，可以将高光谱图像变化检测方法分为两大类：后分类变化检测和直接比较变化检测，前者先将不同时相的高光谱图像进行分类，然后比较同一地理位置分类后地物类别的不同，后者则直接比较同一地理位置不同时相的像元差异。Nielsen,A.A.在文献“TheregularizediterativelyreweightedMADmethodforchangedetectioninmulti-andhyperspectraldata.[J].IEEETransactionsonImageProcessing,2007,本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的端对端高光谱图像变化检测方法，其特征在于步骤如下：步骤1：利用ENVI遥感图像处理软件对输入的两时相高光谱图像进行辐射校正、几何校正和图像配准预处理，得到预处理后的两时相高光谱图像；步骤2：采用Plaza A等2005年的工作An improved N‑FINDR algorithm in implementation[J]，Proceedings of SPIE‑The International Society for Optical Engineering,2005,5806:298‑306中提出的N‑FINDR端元提取算法对预处理后的两时相高光谱图像进行端...

【技术特征摘要】
1.一种基于深度卷积神经网络的端对端高光谱图像变化检测方法，其特征在于步骤如下：步骤1：利用ENVI遥感图像处理软件对输入的两时相高光谱图像进行辐射校正、几何校正和图像配准预处理，得到预处理后的两时相高光谱图像；步骤2：采用PlazaA等2005年的工作AnimprovedN-FINDRalgorithminimplementation[J]，ProceedingsofSPIE-TheInternationalSocietyforOpticalEngineering,2005,5806:298-306中提出的N-FINDR端元提取算法对预处理后的两时相高光谱图像进行端元提取，得到两时相高光谱图像所有像元的端元；步骤3：对高光谱图像中的每一个像元，建立线性解混模型如下：其中，r表示高光谱图像中的一个像元，m表示像元r的端元总数，xi为像元r的端元矩阵X中的第i列，wli是像元r的线性丰度图wl的第i个元素，ε是随机噪声向量；利用全约束最小二乘法对公式(1)进行求解，即可得到像元r的线性丰度图wl；对两时相高光谱图像的每一个像元，均按此步骤上述过程进行处理，得到其线性丰度图；步骤4：对高光谱图像中的每一个像元，建立非线性解混模型如下：其中，⊙是点乘算子，xj为像元r的端元矩阵X中的第j列，wni是像元r的非线性丰度图wn的第i个元素，0≤wni≤1，aij是非线性模型的参数，满足：利用YuJ等2017年的工作Comparisonoflinearandnonlinearspectralunmixingapproaches:acasestudywithmultispectralTMimagery[J]，InternationalJournalofRemo...

【专利技术属性】
技术研发人员：王琦，李学龙，袁征航，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61