一种时序集成的多光谱遥感图像变化检测方法及系统技术方案

本发明专利技术公开了图像处理技术领域的一种时序集成的多光谱遥感图像变化检测方法及系统，由于集成了不同时序的网络输出，从而使得双时相多光谱遥感影像的最终变化检测结果更加可靠、稳健，包括：对多光谱遥感图像进行预处理并计算多光谱遥感图像的变化矢量幅值；计算变化矢量幅值的最优分割阈值，根据最优分割阈值及均值滤波确定伪标记样本集；构建基于时序集成的深度学习网络；通过伪标记样本集对深度学习网络进行训练；将不同时相的多光谱图像输入训练好的深度学习网络获取最终检测结果。

A time sequence integrated method and system for change detection of multispectral remote sensing image

【技术实现步骤摘要】
一种时序集成的多光谱遥感图像变化检测方法及系统
本专利技术属于图像处理
，具体涉及一种时序集成的多光谱遥感图像变化检测方法及系统。
技术介绍
遥感影像的变化检测就是从多时相遥感数据中，定量地分析和确定地表变化的特征与过程。从而为决策管理部门提供诸如土地规划、自然灾害监测等方面的信息。变化检测分为三个大类：非监督变化检测算法、半监督变化检测算法和监督变化检测算法。由于非监督变化检测算法无需训练样本，加之建模过程无需先验知识，因此该类算法获得了广泛的应用。非监督变化检测算法一般先构建两个时相的差异影像，进而对差异影像进行处理得到变化检测结果。常规的变化检测方法有变化矢量分析法(ChangeVectorAnalysis，CVA)、基于多元变化检测算法、基于无向图的变化检测算法(包括MRF、CRF等)等。基于深度学习的非监督变化检测建模中，无需像常规的变化检测方法构建差异影像，直接利用两个时相影像的深度信息，更加有利于刻画不同影像间的变化信息，其在多时相变化检测领域应用具有优势。西安电子科技大学在其申请的专利“基于无监督深度神经网络的SA本文档来自技高网...

【技术保护点】
1.一种时序集成的多光谱遥感图像变化检测方法，其特征是，包括：/na、对多光谱遥感图像进行预处理并计算多光谱遥感图像的变化矢量幅值；/nb、计算变化矢量幅值的最优分割阈值，根据最优分割阈值及均值滤波确定伪标记样本集；/nc、构建基于时序集成的深度学习网络；/nd、通过伪标记样本集对深度学习网络进行训练；/ne、将不同时相的多光谱图像输入训练好的深度学习网络获取最终检测结果。/n

【技术特征摘要】
1.一种时序集成的多光谱遥感图像变化检测方法，其特征是，包括：
a、对多光谱遥感图像进行预处理并计算多光谱遥感图像的变化矢量幅值；
b、计算变化矢量幅值的最优分割阈值，根据最优分割阈值及均值滤波确定伪标记样本集；
c、构建基于时序集成的深度学习网络；
d、通过伪标记样本集对深度学习网络进行训练；
e、将不同时相的多光谱图像输入训练好的深度学习网络获取最终检测结果。


2.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，所述预处理是利用多元变化检测方法对多光谱遥感图像进行归一化校正。


3.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，所述变化矢量幅值通过以下公式计算：



其中：XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；(i,j)表示遥感影像的坐标；b表示波段的序号；X1b(i,j)表示前一时相第b波段影像(i,j)处的像素值；X2b(i,j)表示后一时相第b波段影像(i,j)处的像素值。


4.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，依据Bayes最小误差准则，并基于最大期望算法求解变化矢量幅值的最优分割阈值。


5.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，所述步骤c包括：
ca、在输入层，对输入的训练样本添加均值为0，标准差为0.05的高斯噪声；
cb、构建第一卷积层
cc、构建局部窗口尺寸为3×3第一池化层；
cd、对步骤c的结果接修正线性单元ReLU激活函数；
cd、构建第二卷积层；
ce、构建局部窗口尺寸为3×3第二池化层；
cf、对步骤e的结果...

【专利技术属性】
技术研发人员：石爱业，石冉，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32