基于VGG16和孪生神经网络的遥感影像变化检测方法技术

本发明专利技术公开了一种基于VGG16和孪生神经网络的遥感影像变化检测方法，包括以下步骤：搭建改进的VGG16网络并对网络进行训练；训练时输入图像进行数次卷积操作后得到两幅特征图像，对两幅特征图像进行合并；对于上一步骤得到的特征图像进行数次上采样和反卷积的操作恢复到原图大小；最后再进行一次卷积，经过softmax层后将图像块分为变化类和未变化类；输入要测试的图像，利用训练好的网络得到变化检测图。本发明专利技术使用深度神经网络更有效地获取目标特征，并且本方法避免了差值图的生成，避免了差值图对结果的影响。

【技术实现步骤摘要】
基于VGG16和孪生神经网络的遥感影像变化检测方法
本专利技术属于图像变化
，特别涉及一种基于VGG16网络和孪生神经网络的遥感图像变化检测方法。
技术介绍
现在遥感技术应用于越来越多的领域，比如：森林或植被的动态变化监测、对自然灾害的灾后分析及评估、对土地利用的变化分析、对农田进行监控、对城镇变化实时监测、分析农作物生长状况、对军事战略目标(机场、道路等)进行动态监视等领域，极大地促进了经济和社会的发展。遥感图像变化检测属于遥感图像处理领域，用于分析处理同一地点不同时期的遥感图像而获得变化信息。国内外学者已经对遥感图像变化检测问题进行了大量的研究，提出了各种各样的变化检测方法。其中基于特征的变化检测方法是利用图像中的光谱特征、纹理特征、空间结构等特性，对遥感图像进行变化检测。而使用传统的方法提取图像的特征不具有代表性，用在遥感图像变化检测上识别精度较低。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于VGG16网络和孪生神经网络的遥感图像变化检测方法，使用深度神经网络更有效地获取目标特征，并且本方法避免了差值图的生成，避免了差值图对结果的影响。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于VGG16和孪生神经网络的遥感影像变化检测方法，输入图像进行数次卷积操作后得到两幅特征图像，对两幅特征图像进行合并，再进行数次上采样和反卷积的操作恢复到原图大小，最后再进行一次卷积，经过softmax层后将图像分为变化类和未变化类；步骤如下：(1)获取遥感图像数据集，包括变化前和变化后的图像；将数据集中图像切割为图像块，将图像块分别标注为变化或未变化类标签，构建训练集和测试集；(2)构建基于VGG16模型的卷积神经网络，包括若干个卷积层和池化层，若干个上采样和反卷积层，以及最后一层卷积层和softmax层；(3)将训练集中同一区域两个时相的图像块作为卷积神经网络的输入，类标签作为输出，构建损失函数进行网络训练，直到误差满足预期，得到训练好的卷积神经网络；(4)将测试集中同一区域两个时相的图像块输入训练好的卷积神经网络，通过卷积神经网络将图像块分为变化类和未变化类，得到最后的变化检测图。进一步的，所述步骤(3)，过程如下：将训练集中同一区域两个时相的图像块输入卷积神经网络，首先经过若干个卷积层和池化层后得到两个特征图，将两个特征图像合并，并进行一次反卷积操作；然后将得到的特征图像进行若干次上采样和反卷积，接着进行最后一次卷积，经过softmax层后将图像块分为变化类和未变化类；其中，经过softmax层得到一个概率二值化图像，有变化的像素点p1为1，无变化的像素点p0为0；采用交叉熵作为损失函数，公式如下：式中m为样本数，即图像中的像素点数；y0和y1是实际标签，分别代表无变化的像素点和有变化的像素点。进一步的，所述步骤(2)，卷积神经网络的卷积层和池化层结构如下：(2.1.1)在输入层中，输入同一区域两个时相的遥感图像，图像大小为224×224×3；(2.1.2)在第一层卷积层中，用两组64个3×3的卷积核，设定步长为1；在第一层的池化层，池化方法设为MAXpooling；(2.1.3)在第二层卷积层中，用两组128个3×3的卷积核，设定步长为1；在第二层的池化层，池化方法设为MAXpooling；(2.1.4)在第三层卷积层中，用三组256个3×3的卷积核，设定步长为1；在第三层的池化层，池化方法设为MAXpooling；(2.1.5)在第四层卷积层中，用三组512个3×3的卷积核，设定步长为1；在第四层的池化层，池化方法设为MAXpooling；(2.1.6)在第五层卷积层中，用三组512个3×3的卷积核，设定步长为1；在第五层的池化层，池化方法设为MAXpooling；(2.1.7)将第五层的池化层输出的两幅特征图像合并后，经过的反卷积结构为512个3×3的卷积核，设定步长为1。进一步的，所述步骤(2)，卷积神经网络的上采样和反卷积层结构如下：(2.2.1)在第一层反卷积层中，先进行上采样，再进行反卷积，反卷积是三组3×3的卷积核，设定步长为1；(2.2.2)在第二层的反卷积层中，先进行上采样，再进行反卷积，反卷积是三组3×3的卷积核，设定步长为1；(2.2.3)在第三层的反卷积层中，先进行上采样，再进行反卷积，反卷积是三组3×3的卷积核，设定步长为1；(2.2.4)在第四层的反卷积层中，先进行上采样，再进行反卷积，反卷积是两组3×3的卷积核，设定步长为1；(2.2.5)在第五层的反卷积层中，先进行上采样，再进行反卷积，反卷积是两组3×3的卷积核，设定步长为1。进一步的，所述步骤(2)，最后一层卷积层中，定义2个尺寸为3×3的卷积核，步长定为1。有益效果：本专利技术采用上述技术方案，具有以下有益效果：(1)本专利技术方法的卷积部分借鉴VGG16的结构，使用小的卷积核；整体框架借鉴孪生神经网络，让提取到的特征每一层之间都是对应的。(2)传统的变化检测方法中会生成差值图，然而差值图会对结果的精确度产生一定的影响，本专利技术方法避免了差值图的产生。(3)本专利技术使用卷积网络提取深度特征，深度特征能有效地捕获目标特征。附图说明图1是本专利技术实施例的框架图；图2是搭建的深度卷积神经网络结构图。具体实施方式下面结合附图和实施例对本专利技术的技术方案作进一步的说明。本专利技术所述的基于VGG16和孪生神经网络的遥感影像变化检测方法，流程框架如图1所示，包括如下步骤：(1)获取遥感图像数据集，包括变化前和变化后的图像；本实施例中选用SZTAKIAirChangeBenchmark数据集，将数据集中图像用滑动切割的方式切割为224×224的图像块，将图像块分别标注为变化或未变化类标签，构建训练集和测试集。(2)构建基于VGG16模型的卷积神经网络，包括若干个卷积层和池化层，若干个上采样和反卷积层，以及最后一层卷积层和softmax层；卷积神经网络的卷积层和池化层结构如下：(2.1.1)在输入层中，输入同一区域两个时相的遥感图像，图像大小为224×224×3；(2.1.2)在第一层卷积层中，用两组64个3×3的卷积核，设定步长为1；在第一层的池化层，池化方法设为MAXpooling；输出的特征图像大小为112×112×64；(2.1.3)在第二层卷积层中，用两组128个3×3的卷积核，设定步长为1；在第二层的池化层，池化方法设为MAXpooling；输出的特征图像大小为56×56×128；(2.1.4)在第三层卷积层中，用三组256个3×3的卷积核，设定步长为1；在第三层的池化层，池化方法设为MAXpooling；输出的特征图像大小为28×28×256；(2.1.5)在第四层卷积层中，用三组5本文档来自技高网...

【技术保护点】
1.一种基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：该方法包括如下步骤：/n(1)获取遥感图像数据集，包括变化前和变化后的图像；将数据集中图像切割为图像块，将图像块分别标注为变化或未变化类标签，构建训练集和测试集；/n(2)构建基于VGG16模型的卷积神经网络，包括若干个卷积层和池化层，若干个上采样和反卷积层，以及最后一层卷积层和softmax层；/n(3)将训练集中同一区域两个时相的图像块作为卷积神经网络的输入，类标签作为输出，构建损失函数进行网络训练，直到误差满足预期，得到训练好的卷积神经网络；/n(4)将测试集中同一区域两个时相的图像块输入训练好的卷积神经网络，通过卷积神经网络将图像块分为变化类和未变化类，得到最后的变化检测图。/n

【技术特征摘要】
1.一种基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：该方法包括如下步骤：
(1)获取遥感图像数据集，包括变化前和变化后的图像；将数据集中图像切割为图像块，将图像块分别标注为变化或未变化类标签，构建训练集和测试集；
(2)构建基于VGG16模型的卷积神经网络，包括若干个卷积层和池化层，若干个上采样和反卷积层，以及最后一层卷积层和softmax层；
(3)将训练集中同一区域两个时相的图像块作为卷积神经网络的输入，类标签作为输出，构建损失函数进行网络训练，直到误差满足预期，得到训练好的卷积神经网络；
(4)将测试集中同一区域两个时相的图像块输入训练好的卷积神经网络，通过卷积神经网络将图像块分为变化类和未变化类，得到最后的变化检测图。


2.根据权利要求1所述的基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：所述步骤(3)，过程如下：
将训练集中同一区域两个时相的图像块输入卷积神经网络，首先经过若干个卷积层和池化层后得到两个特征图，将两个特征图像合并，并进行一次反卷积操作；然后将得到的特征图像进行若干次上采样和反卷积，接着进行最后一次卷积，经过softmax层后将图像块分为变化类和未变化类；其中，经过softmax层得到一个概率二值化图像，有变化的像素点p1为1，无变化的像素点p0为0；
采用交叉熵作为损失函数，公式如下：



式中m为样本数，即图像中的像素点数；y0和y1是实际标签，分别代表无变化的像素点和有变化的像素点。


3.根据权利要求1或2所述的基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：所述步骤(2)，卷积神经网络的卷积层和池化层结构如下：
(2.1.1)在输入层中，输入同一区域两个时相的遥感图像，图像大小为224×224×3；
(2.1.2)在第一层卷积层中，用两组64个3...

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