【技术实现步骤摘要】
基于耦合判别特征自学习网络的遥感图像变化检测算法
本专利技术属于遥感图像处理
,具体涉及一种基于耦合判别特征自学习网络的遥感图像变化检测算法。技术背景遥感图像目前的应用越来越广泛,其中利用遥感图像进行变化检测是一个非常重要的应用领域,例如:国土资源调查、城市发展监测、灾后情况分析、自然资源统计分析等。遥感图像变化检测主要的难点问题是不同时间、不同传感器、不同数据类型所造成的遥感图像表示的差异,这些会严重干扰发现遥感图像中的重要变化区域。变化检测中关键问题就在如何对不同的遥感图像进行合适的特征表示,该特征空间中可以使得变化的区域间的差异较大,非变化区域较小,从而可以得到反映真实地物变化的差异图,在该差异图的基础上进行简单操作,得到最终的变化检测结果。目前变化检测的主要研究工作都围绕在特征空间的求解上。近几年,深度学习的方法也慢慢被应用到了变化检测中,但是大多都是基于标记好的变化检测数据上,该类方法将变化检测问题看作是二分类的问题,利用训练数据得到与类别标签间的映射,再将其应用到其它数据上。这样的做法存在一些问题,首先是训练样本的标记,遥感图像覆盖场景大,情况复杂,需要专门的人员来进行标记才能得到较为可靠的标记数据,这样的成本非常大;其次,遥感图像的各种数据差异较大,即使是同一传感器不同时段捕获的数据也存在很大的差异,因此在已知数据上训练得到的网络结构未必适合新的数据,难以保证好的结果。针对以上问题,需要提出一种新的遥感图像变化检测方法,用于降低对标签数据的要求,仅从待检测数据本身出发,寻找合适的特征表 ...
【技术保护点】
1.基于耦合判别特征自学习网络的遥感图像变化检测算法,其特征在于,包括以下步骤:/n步骤一:建立网络结构模型,包含两个子网络:G网络和F网络;G网络层数为l
【技术特征摘要】
1.基于耦合判别特征自学习网络的遥感图像变化检测算法,其特征在于,包括以下步骤:
步骤一:建立网络结构模型,包含两个子网络:G网络和F网络;G网络层数为lG,第i层神经元的个数为F网络层数为lF,第i层神经元的个数为满足条件
步骤二:设计耦合判别特征自学习网络的目标函数,实现判别特征的自学习过程;
步骤三:耦合判别特征自学习网络的训练过程;
步骤3.1:数据预处理;
步骤3.2:网络初始化;
步骤3.3:初始化矩阵S;
步骤3.4:交替优化网络参数;
步骤3.5:更新矩阵S;
步骤3.6:待目标函数收敛,或达到最高迭代次数,优化过程结束;
步骤四:计算差异图;
步骤五:生成变化检测结果图。
2.根据权利要求1所述的基于耦合判别特征自学习网络的遥感图像变化检测算法,其特征在于,所述步骤一中:建立网络结构模型,还包括如下具体步骤:
所述G网络和F网络的结构为典型全连接网络,网络的输入端为遥感图像的各个像素的原始特征,使用像素周围局部区域的像素作为原始特征p,p∈Rs×1,该特征就包含了中心像素的局部邻域信息;G网络输出和F网络输出分别由如下式(1)、(2)表示:
其中,I1和I2为待检测的两幅遥感图像,每幅幅遥感图像的尺寸均为,
M×N,其中,M为遥感图像宽度,N为遥感图像高度;
g(·)和f(·)表示G网络和F网络的映射函数,包含的参数分别为(WG,θG)和(WF,θF),其中W表示网络的权重,θ表示网络偏置;G网络和F网络的网络层数及每层的节点数可进行调节,但必须满足网络输出Out_G和网络输出Out_F的维度一致,通过定义网络输出Out_G和网络Out_F之间的关系,实现两个网络的耦合自学习。
3.根据权利要求2所述的基于耦合判别特征自学习网络的遥感图像变化检测算法,其特征在于,所述步骤二设计耦合判别特征自学习网络的目标函数,实现判别特征的自学习过程,还包括如下具体步骤:使用一个目标函数作为两个网络耦合学习的最终目标函数,目标函数如下式(3)(4):
0≤Sx,y≤1…………………(4)
其中,和分别是输入图像I1和I2预处理后的特征图像;Sx,y是用于表示像素未变化概率,数值接近1表示和是未变化的概率较大,数值接近0表示像素是变化的概率较大;x、y分别表示像素点在特征图像上的坐标。
4.根据权利要求3所述的基于耦合判别特征自学习网络的遥感图像变化检测算法,其特征在于,
所述步骤3.1数据预处理,还包括:将待检测图像对每个像素位置进行特征抽...
【专利技术属性】
技术研发人员:秦凯,陈璞花,朱玲,孙杰,杨越超,崔鑫,李明,
申请(专利权)人:核工业北京地质研究院,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。