一种基于CNN-CDCN的图像变化检测方法技术

本发明专利技术公开了一种基于CNN

【技术实现步骤摘要】
一种基于CNN-CDCN的图像变化检测方法


[0001]本专利技术涉及机器学习和图像识别领域，特别涉及一种基于神经网络的图像变化检测方法。

技术介绍

[0002]近年来，随着人工智能的不断发展和更多应用场景的落地，神经网络模型被广泛应用于分类、回归等机器学习问题。人工神经网络(Artificial Neural Networks，简写为ANNs)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。随着大数据的出现以及计算机算力的快速发展，具有更深层次和复杂结构的深度神经网络(Deep Neural Network，DNN)在大数据处理中发挥了极其重要的作用，特别是在语音、图像、视频等数据的处理中取得了突破性的成果。
[0003]随着机器学习的不断发展，针对各种数据的不同网络结构被相继构造成深度结构来解决各种各样的实际问题，例如，卷积神经网络(Convolutional Neural Network，CNN)利用卷积结构模拟视觉神经中的感受野，非常适合用来解决各种图像处理问题；循环神经网络(Recurrent Neural Network，RNN)加入了反馈连接，因此对时间序列数据具有很好的处理能力。耦合深度卷积网络(Coupled Deep Convolutional Network，CDCN)是无监督变化检测模型，不需要其他的先验信息，通过优化目标函数对网络参数进行训练，得到不同图像的对比信息。r/>[0004]一般来说，图像变化检测可以分为三个步骤：图像预处理、差异生成、差异分析。图像预处理主要包括图像配准，因为传感器在不同时间所在的位置、角度不同，所获得的图像存在位移旋转等偏差，因此通过图像配准，使得多时图像同一位置的像素在地理位置上也是相同的，这样便于更好地比较变化情况。差异生成步骤通过比较对应位置的像素来计算目标的差异程度，得到差异图像。最后，通过对差异图像进行分析，将这些像素点或目标分为变化类和未变化类，就得到变化的区域。但是同源变化检测方法在实际应用中存在很多的限制。因此，如何训练CNN使其能够对多源图像进行自动特征提取和分析是一个具有挑战性的问题。

技术实现思路

[0005]本专利技术的目的在于：提供了一种基于CNN-CDCN的图像变化检测方法，该方法的网络是对称的，每边由多个卷积层，池化层和耦合层组成。
[0006]本专利技术采用的技术方案如下：
[0007]步骤1：构建对称的双边耦合深度卷积神经网络，定义变化检测问题；
[0008]步骤2：将待检测的两幅图像分别从神经网络的两端输入，通过卷积层和池化层降低特征维度，去除冗余信息，提取图像的特征，得到能够表示输入图像的特征向量；
[0009]步骤3：利用耦合层将步骤2提取特征后得到的两幅特征图转换到同一特征空间，
使转换得到的特征具有更多的相似性；
[0010]步骤4：对步骤3特征空间转换后得到的两幅特征图进行差异计算，定义目标函数，通过优化目标函数来优化神经网络参数；
[0011]步骤5：利用优化后的神经网络进行图像变化检测。
[0012]本专利技术通过构建对称的深度耦合卷积神经网络结构来进行图像变化检测，先是考虑到图像噪声的影响，对其进行去噪处理。然后利用深度神经网络自主特征学习、高效建模的特点，建立网络结构并定义目标函数。利用双边耦合网络结构分别提取图像的特征并在耦合层进行转换。最小化未变化区域对比误差，同时优化网络参数和变化区域，最终利用优化后的神经网络对图像进行变化检测。总的来说，本专利技术利用卷积神经网络提取图像的局部特征，进行特征转换，采用无监督方法，无需额外的先验信息，是一种自主学习的智能化算法。
附图说明
[0013]图1是本专利技术的神经网络结构图；
[0014]图2是本专利技术的流程图；
具体实施方式
[0015]结合图1的神经网络结构图和图2的流程图，本专利技术基于CNN-CDCN的图像变化检测方法，包括以下步骤：
[0016]步骤1：构建对称的双边耦合深度卷积神经网络结构，每一边分别由多层卷积层、池化层和耦合层组成。网络参数包括卷积核、激活偏置等，通过反向传播算法在学习过程中得到。
[0017]步骤2：将待检测的两幅图像P1,P2分别输入对称神经网络的两端，在卷积层中使用不同的卷积核对输入的图像数据进行卷积得到很多特征图，池化层对特征图进行下采样从而降低特征维度，去除冗余信息，增强网络对位移、旋转等的鲁棒性。经过多层的卷积与池化提取出输入图像的特征，得到能够表示输入图像的特征向量，得到输入图像的特征图。
[0018]设置好步长stride，填充值zero-padding，滤波器filter，进行矩阵内积计算并将三个内积运算的结果与偏置值相加，得到特征值。假设单一通道输入图像的像素点位置为(x,y)，卷积核大小为p
×
q，权重为w，图像亮度值为v，则于是可以得到特征图：
[0019]C＝s(conv(x,y)+b)
[0020]其中conv表示卷积操作，b表示特征图的偏置值，s()表示sigmoid激活函数。
[0021]由于图像很容易受噪声的干扰，本专利技术利用均值滤波去除不同程度的冗余信息。均值滤波是一种常见的空域线性滤波方法，主要对平滑噪声有明显的滤波效果。均值滤波的原理是采用邻域平均法，其基本思想是利用某像素点周围邻域内的所有像素点的平均值，代替原图像中的像素值，以达到去噪目的。
[0022]对于一个像素点的位置(x,y)，利用公式1-1求得所有像素值的均值z(x,y)：
[0023][0024]其中，g(i,j)表示位置(i,j)处的原始像素值，Ω
xy
表示以位置(x,y)为中心、大小为m
×
n的矩形领域的像素值集合，z(x,y)表示赋予均值后的像素值。
[0025]步骤3：使用耦合层对经步骤2卷积和池化后得到的的特征图C进行转换，即转换到同一特征空间，使得转换得到的特征具有更多的相似性，以便于进行差异比较。耦合层的计算公式如下所示：
[0026][0027]其中表示输入图像第i个耦合层的第j个特征图，表示输入图像第i-1个耦合层的第j个特征图，表示输入图像第i层第j个特征图的权重向量，表示输入图像第i层第j个特征图的偏置向量。
[0028]步骤4：假设输入图像P1,P2在经过卷积层、池化层和耦合层处理后得到特征图I1(x,y)、I2(x,y)，利用二值图(Binary Image)来表示变化区域，将变化检测问题归纳为：
[0029]BI＝F(P1,P2)＝||I1(x,y)-I2(x,y)||2[0030]其中，差异图BI根据特征图的差异来得到，F函数表示进行差异计算，||
…
||2表示欧几里得第二范数。
[0031]然后通过最小化未变化区域的误差突出变化区域，从而使得两本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN-CDCN的图像变化检测方法，其特征在于包括如下步骤：步骤1：构建对称的双边耦合深度卷积神经网络，定义变化检测问题；步骤2：将待检测的两幅图像分别从神经网络的两端输入，通过卷积层和池化层降低特征维度，去除冗余信息，提取图像的特征，得到能够表示输入图像的特征向量；步骤3：利用耦合层将步骤2提取特征后得到的两幅特征图转换到同一特征空间，使转换得到的特征具有更多的相似性；步骤4：对步骤3特征空间转换后得到的两幅特征图进行差异计算，定义目标函数，通过优化目标函数来优化神经网络参数；步骤5：利用优化后的神经网络进行图像变化检测。2.如权利要求1所述的一种基于CNN-CDCN的图像变化检测方法，其特征在于所述双边耦合深度卷积网络每一边分别包含多层卷积层、池化层和耦合层。3.如权利要求1所述的一种基于CNN-CDCN的图像变化检测方法，其特征在于利用均值滤波去除冗余...

【专利技术属性】
技术研发人员：王堃，
申请(专利权)人：江苏禹空间科技有限公司，
类型：发明
国别省市：