一种双边深度特征域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双边深度特征域异源遥感图像变化检测方法，该方法步骤如下：构造双边输入的对称卷积神经网络；建立特征域带约束概率模型；迭代优化概率模型，求解差异概率图；阈值化差异概率图，输出二值变化图。本发明专利技术双边对称卷积神经网络可实现两幅异源图像的无监督特征自动提取，并在特征域度量发生变化的概率，可以克服因光照不均匀，小颗粒噪声等引起的变化检测虚警率，增强了异源图像差异图的效果，提升了变化检测准确度。

A change detection method of remote sensing image with two-sided depth feature domain

【技术实现步骤摘要】
一种双边深度特征域异源遥感图像变化检测方法
本专利技术涉及遥感图像分析中的变化检测技术，具体涉及一种双边深度特征域异源遥感图像变化检测方法。
技术介绍
图像变化检测是一个通过分析多时域图像来检测同一场景中的变化区域或对象的过程。变化检测在诸多图像处理应用中发挥着关键作用，例如，视频监控、医疗诊断以及遥感监测和评估。现在已有各种各样的遥感传感器，例如：可见光传感器，多光谱传感器，高光谱传感器和合成孔径雷达(SAR)等。因此，不同类型的图像可以生成不同的变化属性。目前，全球环境变化加剧，城市急速发展，洪水、地震等自然灾害频频发生，这些都需要及时掌握相关动态信息，为相关决策部门提供支持，合成孔径雷达图像的种种优点为快速响应提供了技术支持和应急保障。随着真实复杂场景中变化检测需求的不断增加，在遭遇灾害时，由于受到照明和天气条件的影响，很难立即获得高质量的光学图像。因此，首先考虑合成孔径雷达图像来分析灾区的情况，然后在这种情况下需要得到光学和合成孔径雷达图像的变化检测方法。故异源图像中的变化检测已经成为研究的重点，但却是一个巨大的挑战。目前的变化检测方法大多针对同构图像，即同一传感器获取的图像，并且图像中未变化的区域呈现出相同的特征。例如一种基于邻域相对熵的合成孔径雷达影像变化检测方法(赵争,刘本强,魏钜杰等.一种基于邻域相对熵的合成孔径雷达影像变化检测方法,CN106934797B.2019)，针对合成孔径雷达图像易受噪声的干扰，结合领域信息计算图像间的领域相对熵，再通过相对熵规则化处理等对结果进行优化，最终得到二值化变化检测图像。这类方法主要有两种思路：(1)先对两幅配准后的图像分别进行分类，通过比较分类结果得出变化部分；(2)先对两幅配准图像做差异图，再对所得的差异图进行分类比较。前一种方法很难获得不同时相图像的不变信息具有相同类别的分类结果，且会夸大变化程度。同时，由于分类累积误差问题降低了变化检测精度。第二类方法具有较大的研究空间，思路简单明确，检测精度较高，它是当前较为流行的方法。但是这种方法同时也引入了一个新的问题，即差异图的构造。因为只有在得到好的差异图的基础上，检测方法才能达到良好的效果。常用的变化检测生成差异图方法有对数比(Log-ratio)、均值比(Mean-ratio)和小波融合(Waveletfusion)。对数比算法是在比值差异图的基础上多了一步对数的运算，利用对数算子将比值差异图转换到对数尺度，对数运算本身的性质能够减小比值运算所带来的较大差异，所以可以进一步降低未变化类背景部分的野点影响。均值比算法利用了像素的邻域信息，对于单独出现的野点有一定程度的抑制效果。小波融合算法结合对数算子和均值算子2种差异图的优势对两者进行有效融合，使2种差异图的优点通过小波融合在一起。同构图像由于图像性质相同，因此可以直接进行比较，而异源图像由于获取图像的传感器不同，图像性质相差很大，数据结构的差异导致传统变化检测算法无法处理异源遥感图像。现有的异源图像变化检测方法较少而且大多依赖于对图像性质的手动分析，或利用带标签的样本训练学习来将不同的图像性质转换为可比较的特征，但是这些方法在实际应用中往往效率很低甚至不可行。深度神经网络具有无监督特征学习的特点，因此可以在没有标记样本的情况下对异源图像进行特征学习和转换。深度神经网络在变化检测中发挥了重要的作用，例如专利技术专利CN107644413A公开了一种基于邻域比值和自步学习的SAR图像变化区域检测方法，利用领域比值信息构建差异图矩阵，并用深度信念网络进行训练最终得到二值化差异图像。对异源图像的变化检测方法如深度卷积耦合网络(SCCN)，利用无监督学习，提取异源图像的局部特征并转换到相同特征空间中以进行比较，通过优化目标函数来训练神经网络，得到差异图。但该方法无法学习针对性的图像特征，同时，为方便优化，该网络只有一层卷积层，学习能力较差。
技术实现思路
本专利技术的目的在于提供一种双边深度特征域异源遥感图像变化检测方法，优化训练神经网络的效果，提高变化检测的精度。实现本专利技术目的的技术方案为：一种双边深度特征域异源遥感图像变化检测方法，包括：步骤1，输入两幅异源遥感图像；步骤2，构造双边输入的对称卷积神经网络；步骤3，构造双边特征域带约束概率模型；步骤4，迭代优化概率模型，求解差异概率图；步骤5，阈值化概率差异图；步骤6，输出二值变化图。进一步的，步骤2所述构造双边输入的对称卷积神经网络的具体步骤如下：神经网络具有两边输入结构，左右两端输入的两幅异源遥感图像X1和X2；两边分别构造多层的卷积神经网络，网络隐藏层全部为卷积层，其中两边神经元结构、网络层数和多层结构布置相同，X1和X2分别经过两边的神经网络传播得到特征函数FL和FR；基于特征的差异构造网络的能量函数为：式中，U为概率图矩阵，其中每个像素的值表示了该像素位置没有发生变化的概率，并且其大小为W×H，i和j表示图像X1和X2的横纵坐标。进一步的，步骤3所述构造双边特征域带约束概率模型的步骤如下：定义一个配分函数Z：其中和代表X1和X1所属的数据空间中的所有可能图像；构建基于能量函数的概率模型：其中θL和θR分别为左右两边的网络参数。进一步的，步骤4所述迭代优化概率模型的步骤如下：步骤4-1，随机初始化网络参数θL,θR和概率图矩阵U；步骤4-2，通过单步梯度上升算法计算采样数据和步骤4-3，利用X1和X2以及采样数据和计算左右两边的网络参数θL,θR和概率图矩阵U的梯度并利用梯度下降法更新θL,θR和U；步骤4-4，重复步骤4-2和步骤4-3，直到能量函数E(X1,X2)达到稳定或迭代次数超过最大值时输出概率图矩阵U。进一步的，步骤5所述阈值化概率差异图的步骤如下：差异图D可由神经网络算法学习到的U计算得到：D＝1-U；采用阈值分割算法分析差异图D，得到最终的变化检测图像结果。本专利技术与现有的技术相比，其显著特点在于：(1)本专利技术提出了新的双边网络结构优化方法，构建了一个包含网络参数及双边图像特征的能量概率函数，并在能量函数上构建概率模型，在优化过程期间，学习网络参数以及变化区域标记的概率图，最终从概率图中获得图像变化信息；在优化网络模型方法上更加利于抽取图像的特征信息，使得差异图生成的效果更好；(2)双边对称卷积神经网络可实现两幅异源图像的无监督特征自动提取，并在特征域度量发生变化的概率，可以克服因光照不均匀，小颗粒噪声等引起的变化检测虚警率，增强了异源图像差异图的效果，提升了变化检测准确度。附图说明图1是本专利技术双边深度特征域异源遥感图像变化检测方法流程图。图2是本专利技术的双边卷积深度神经网络图。图3是迭代优化概率模型的流程图。图4是TheSardinia合成孔径雷达图像数据集实验仿真图，图4(a)和图4(b)的拍摄时间分别为1995年9月和19本文档来自技高网...

【技术保护点】
1.一种双边深度特征域异源遥感图像变化检测方法，其特征在于，包括：/n步骤1，输入两幅异源遥感图像；/n步骤2，构造双边输入的对称卷积神经网络；/n步骤3，构造双边特征域带约束概率模型；/n步骤4，迭代优化概率模型，求解差异概率图；/n步骤5，阈值化概率差异图；/n步骤6，输出二值变化图。/n

【技术特征摘要】
1.一种双边深度特征域异源遥感图像变化检测方法，其特征在于，包括：
步骤1，输入两幅异源遥感图像；
步骤2，构造双边输入的对称卷积神经网络；
步骤3，构造双边特征域带约束概率模型；
步骤4，迭代优化概率模型，求解差异概率图；
步骤5，阈值化概率差异图；
步骤6，输出二值变化图。


2.根据权利要求1所述的双边深度特征域异源遥感图像变化检测方法，其特征在于，步骤2所述构造双边输入的对称卷积神经网络的具体步骤如下：
神经网络具有两边输入结构，左右两端输入的两幅异源遥感图像X1和X2；
两边分别构造多层的卷积神经网络，网络隐藏层全部为卷积层，其中两边神经元结构、网络层数和多层结构布置相同，X1和X2分别经过两边的神经网络传播得到特征函数FL和FR；
基于特征的差异构造网络的能量函数为：



式中，U为概率图矩阵，其中每个像素的值表示了该像素位置没有发生变化的概率，并且其大小为W×H，i和j表示图像X1和X2的横纵坐标。


3.根据权利要求1所述的双边深度特征域异源遥感图像变化检测方法，其特征在于，步骤3所述构造...

【专利技术属性】
技术研发人员：刘嘉，张皓程，肖亮，刘芳，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32