一种基于共性自动编码器的无监督异源遥感图像变化检测方法技术

本发明专利技术公开了一种基于共性自动编码器的无监督异源遥感图像变化检测方法，主要解决现有异源图像变化检测方法精度低、鲁棒性不强的问题。实现步骤包括：步骤一：分别进行两幅异源遥感图像的像素块集构建，再提取两幅异源遥感图像像素块集中像素块特征向量，以坐标值为基准组成两幅异源遥感图像像素块特征向量的特征对；步骤二：利用共性自编码器COAE对步骤一得到的特征对进行共同特征提取后生成差异图；所述的共性自编码器COAE为多个全连接层组成的神经网络。本发明专利技术具有检测准确、不需要标签、鲁棒性强的优点。

An Unsupervised Variation Detection Method for Heterogeneous Remote Sensing Images Based on Common Automatic Encoder

【技术实现步骤摘要】
一种基于共性自动编码器的无监督异源遥感图像变化检测方法
本专利技术属于图像处理
，具体涉及一种基于共性自动编码器的无监督异源遥感图像变化检测方法，特别涉及异源遥感图像变化检测方法，可用于模式识别或目标检测。
技术介绍
遥感图像变化检测的目的是检测地球表面上同一地点于不同时间拍摄的两个或多个图像之间的变化区域。它是遥感图像处理中的一个重要问题，已经被广泛应用于土地覆盖类型变化监测，城市扩展跟踪，灾害损伤评估等任务。变化检测的准确性主要由差异提取过程决定。差异提取的目的是衡量特征差异并指示变化区域。在该框架下，许多用于同源遥感图像的变化检测方法已经被提出。这里的同源遥感图像是指由同一类型的传感器获取的具有相似特征的多时相遥感图像，相应地，异源遥感图像被定义为由不同类型的传感器获取的遥感图像。应用于同源遥感图像变化检测的差异提取方法不适用于异源遥感图像变化检测，因为后者的图像具有不同的属性，直接对它们进行比较是不合理的。显然异源遥感图像变化检测更具挑战性，然而它对输入图像的限制较少，并且可以在更多场合下应用，这是相当有意义的。目前为止，一些异源遥感图像变化检测方法已经被提出。分类后比较是异源遥感图像变化检测的一种可行解决方案。它独立地将异源遥感图像中每种类别的地物进行分类，其变化图的精度主要由每幅遥感图像的地物分类精度决定，并且容易受到误差传播的影响。多类变化检测也是异源遥感图像变化检测的一种解决方案，它可以检测两幅遥感图像之间的类别转换信息。然而，该方法需要大量标记的像素来训练分类器，这导致该方法在实践中很难应用。一些方法需要或多或少标记未改变的像素来建立异构图像之间的潜在相关性，例如条件copulas，核规范相关性分析，以及与马尔可夫随机场相关的贝叶斯非参数模型等，对标签的需求限制了这些方法的应用。近来，基于深度神经网络的异构图像变化检测方法也开始被提出。Zhang等人提出了基于深度特征表示和映射变换的变化检测方法(SMC+FCA)。在两个异源图像未变化区域之间建立映射函数，并通过该映射函数突出显示变化的区域以创建差异图。该方法被设计为无监督方法，然而它还需要选择一些未变化的像素加入训练以获得更稳定的差异图并确保更高的准确度。Liu等人提出了对称卷积耦合网络(SCCN)，它首先将异构图像映射到特征空间，然后在特征空间中对它们进行比较并生成变化图。但是该方法只计算了未变化区域而且网络中还包含一些需要手动设定的参数，可能导致该方法在某些场景下的性能会下降。
技术实现思路
本专利技术的目的在于针对现有无监督异源变化检测方法的不足，提出一种基于共性自动编码器的无监督异源遥感图像变化检测方法，以提高无监督异源遥感图像变化检测的质量。为实现上述目的，本专利技术包括如下步骤：一种基于共性自编码器的无监督异源遥感图像变化检测方法，包括：步骤一：分别进行两幅异源遥感图像的像素块集构建，再提取两幅异源遥感图像像素块集中像素块特征向量，以坐标值为基准组成两幅异源遥感图像像素块特征向量的特征对；步骤二：利用共性自编码器COAE对步骤一得到的特征对进行共同特征提取后生成差异图；所述的共性自编码器COAE为多个全连接层组成的神经网络。可选的，包括：步骤一：按照以像素点为中心、横坐标i和纵坐标j为坐标值进行像素块集的构建，得到源图像m的像素块集Sm和源图像n的像素块集Sn；0＜i＜图像高度，0＜j＜图像宽度；i＝1,2…N，j＝1,2…M,M和N均为自然数；对像素块集Sm和像素块集Sn预处理得到像素块特征向量集和像素块特征向量集像素块特征向量和像素块特征向量按照相同坐标值组成特征对；步骤二：利用共性自编码器COAE对步骤一得到的特征对进行共同特征hij提取后生成差异图；所述的共性自编码器COAE为多个全连接层组成的神经网络；共性自编码器COAE的目标函数为其中φ2表示共性自编码器COAE的编码器网络，ψ2表示共性自编码器COAE的解码器网络，表示由共性自编码器COAE解码器网络重建的重构像素块特征向量。可选的，所述的共性自编码器COAE为五个全连接层组成的神经网络，由上到下依次命名为第一层、第二层…第五层；第一层和第二层组成了共性自编码器COAE编码器网络φ2，第三层提取共性自编码器COAE输入的像素块特征向量和像素块特征向量的共同特征hij，第四层和第五层组成了COAE解码器ψ2。可选的，所述的预处理为利用卷积自编码器CAE得到两幅异源遥感图像的像素块特征向量集。可选的，所述的卷积自编码器CAE是五层的神经网络，由上到下依次命名为第一层、第二层…第五层；第一层和第二层是卷积层，第三层是全连接层，第四层和第五层是反卷积层；第一层和第二层组成了卷积自编码器CAE编码器网络φ1，第三层是卷积自编码器CAE编码得到的像素块特征向量vij，第四层和第五层组成了卷积自编码器CAE解码器ψ1；设定的卷积自编码器CAE的目标函数表示如下：其中φ1表示卷积自编码器CAE编码器网络，ψ1表示卷积自编码器CAE解码器网络，sij表示卷积自编码器CAE输入的源图像像素块，表示由卷积自编码器CAE重建的源图像像素块。可选的，所述的预处理包括：以像素块集Sm和像素块集Sn为训练元素对卷积自编码器CAE进行训练，训练好的卷积自编码器CAE对像素块集Sm和像素块集Sn中的像素块进行编码，得到像素块特征向量集Vm和像素块特征向量Vn，将像素块特征向量集Vm和像素块特征向量Vn中的像素块特征向量按照相同坐标值组成特征对。可选的，利用共性自编码器COAE对步骤一得到的特征对进行共同特征提取后生成差异图，包括：利用训练好的共性自编码器COAE对特征对进行编码得到共同特征向量hij，再用共同特征向量hij将像素块特征向量映射到像素块特征向量得到映射后的重构像素块特征向量求像素块特征向量与重构像素块特征向量的欧氏距离dij，并将得到的所有欧氏距离以坐标值为索引组成欧氏距离矩阵D，将其归一化得到差异图DI。可选的，共性自编码器COAE的训练，包括：将像素块特征向量和像素块特征向量输入共性自编码器COAE提取共同特征向量hij，将共同特征向量hij输入共性自编码器COAE的解码器网络得到重构像素块特征向量计算目标函数利用随机梯度下降法优化如下目标函数并更新共性自编码器COAE的网络权重；直到共性自编码器COAE的目标函数数值稳定，网络训练完成。可选的，所述的差异图DI的获取步骤如下：计算像素块特征向量与重构像素块特征向量的欧氏距离dij：直到源图像n中所有像素点处的dij计算完成，得到欧氏距离矩阵D，对D进行归一化得到差异图DI：可选的，利用FCM算法对得到的差异图进行聚类，输出变化检测结果图。本专利技术与现有技术相比具有以下优点：1、本专利技术是一种完全无监督的方法，不需要任何人工标记的数据进行训练；2、本专利技术设计了一种全新的共性自编码器COAE并将其作为探测器，捕获两个检测区域的共性或是差异性以指示变化区域，其检测结果几乎不会受到正负样本不均衡的影响；3、本专利技术使用卷积值编码器CAE对原始图像进行预处理，此过程不仅可以消除原始图像中的冗余，还可以将图像映射到更一致的特征表示，能有效降低噪声对检测结果的影响；4、本专利技术的网络由两个自编码器级联而成，结构简单，易于训练，增加了该方法本文档来自技高网...

【技术保护点】
1.一种基于共性自编码器的无监督异源遥感图像变化检测方法，其特征在于，包括：步骤一：分别进行两幅异源遥感图像的像素块集构建，再提取两幅异源遥感图像像素块集中像素块特征向量，以坐标值为基准组成两幅异源遥感图像像素块特征向量的特征对；步骤二：利用共性自编码器COAE对步骤一得到的特征对进行共同特征提取后生成差异图；所述的共性自编码器COAE为多个全连接层组成的神经网络。

【技术特征摘要】
1.一种基于共性自编码器的无监督异源遥感图像变化检测方法，其特征在于，包括：步骤一：分别进行两幅异源遥感图像的像素块集构建，再提取两幅异源遥感图像像素块集中像素块特征向量，以坐标值为基准组成两幅异源遥感图像像素块特征向量的特征对；步骤二：利用共性自编码器COAE对步骤一得到的特征对进行共同特征提取后生成差异图；所述的共性自编码器COAE为多个全连接层组成的神经网络。2.根据权利要求1所述的基于共性自编码器的无监督异源遥感图像变化检测方法，其特征在于，包括：步骤一：按照以像素点为中心、横坐标i和纵坐标j为坐标值进行像素块集的构建，得到源图像m的像素块集Sm和源图像n的像素块集Sn；0＜i＜图像高度，0＜j＜图像宽度；i＝1,2…N，j＝1,2…M,M和N均为自然数；对像素块集Sm和像素块集Sn预处理得到像素块特征向量集和像素块特征向量集像素块特征向量和像素块特征向量按照相同坐标值组成特征对；步骤二：利用共性自编码器COAE对步骤一得到的特征对进行共同特征hij提取后生成差异图；所述的共性自编码器COAE为多个全连接层组成的神经网络；共性自编码器COAE的目标函数为其中φ2表示共性自编码器COAE的编码器网络，ψ2表示共性自编码器COAE的解码器网络，表示由共性自编码器COAE解码器网络重建的重构像素块特征向量。3.根据权利要求1或2所述的基于共性自编码器的无监督异源遥感图像变化检测方法，其特征在于，所述的共性自编码器COAE为五个全连接层组成的神经网络，由上到下依次命名为第一层、第二层…第五层；第一层和第二层组成了共性自编码器COAE编码器网络φ2，第三层提取共性自编码器COAE输入的像素块特征向量和像素块特征向量的共同特征hij，第四层和第五层组成了COAE解码器ψ2。4.根据权利要求1或2所述的基于共性自编码器的无监督异源遥感图像变化检测方法，其特征在于，所述的预处理为利用卷积自编码器CAE得到两幅异源遥感图像的像素块特征向量集。5.根据权利要求4所述的基于共性自编码器的无监督异源遥感图像变化检测方法，其特征在于，所述的卷积自编码器CAE是五层的神经网络，由上到下依次命名为第一层、第二层…第五层；第一层和第二层是卷积层，第三层是全连接层，第四层和第五层是反卷积层；第一层和第二层组成了卷积自编码器CAE编码器网络φ1，第三层是卷积自编码器CA...

【专利技术属性】
技术研发人员：公茂果，武越，李嘉恒，王善峰，张明阳，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61