基于耦合判别特征自学习网络的遥感图像变化检测算法制造技术

本发明专利技术提出了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。该算法主要设计了耦合判别特征自学习网络，该网络通过两个子网络分别对待检测图像进行特征提取，所建立的耦合训练模型可得到耦合特征空间，该空间中特征的判别能力将增强，有助于生成更加分明的差异图，得到准确的变化检测结果。该方法不需要标签数据，并且不受数据类型的限制，具有广阔应用空间。该算法的有效性在公开数据集上进行了验证。

【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，寻找合适的特征表示空间。
技术实现思路
本专利技术的目的提出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，用于解决上述现有技术对标签数据要求高，遥感图像变化检测准确度差异大的技术问题。本专利技术技术方案：基于耦合判别特征自学习网络的遥感图像变化检测算法，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。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。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；Sxy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。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取，使用3×3、5×5或7×7的窗口滑窗进行，将窗口内的图像块转化为列向量，作为中心像素的特征向量；步骤3.2网络初始化包括：使用自编码器网络训练方式进行网络预训练，完成初始化过程；对G网络使用待测图像I1中随机抽取的50％的数据进行训练，对F网络使用待测图像I2中随机抽取的50％的数据进行训练；步骤3.3初始化矩阵S，包括：使用随机初始化生成初始化的像素未变化矩阵S，初始化矩阵元素在[0,1]，满足高斯分布；步骤3.4交替优化网络参数,包括：通过交替优化对耦合判别特征学习网络进行训练；交替优化耦合判别特征学习网络训练分为三步：步骤3.4.1：F网路的映射函数f(·)不变，训练G网络的映射函数g(·)，利用反向传播算法更新G网络中的参数，获得训练好的网络映射函数g(·)，目标函数如下式(5)：步骤3.4.2：G网络的映射函数g(·)不变，训练F网路的映射函数f(·)，利用反向传播算法更新网络F中的参数，获得训练好的网络映射函数f(·)，目标函数如下式(6)：网络训练方法使用反向传播算法,在像素未变化概率Sx，y的控制下，进行误差反向传播，更新参数，最小化公式5和公式6；步骤3.5：给定g(·)和f(·)，更新像素未变化矩阵S包括：根据式(7)计算S中的各个元素；在g(·)和f(·)给定的情况下，得到待检测图像的特征表示，Sx,y代表(x,y)位置的像素为非变化像素的概率，应与该位置像素特征的差值程反比的关系；在此基础上，通过公式7更新像素未变化矩阵S：步骤3.6：待目标函数收敛，或达到最高迭代次数，该优化过程结束，判断条件如下所示：判断条件1：连续20次迭代目标函数值的变化不超过0.001；判断条件2：迭代次数大于最大迭代次数MaxIter，MaxIter＝2000；若满足上述一种停止条件，则进行步骤四，若不满足停止条件，返回步骤3.4，继续训练过程。所述步骤四还包括：网络G和F的输出使用欧式距离计算像素特征的差异得到差异图；计算差异图Dif∈RM×N；使用欧式距离计算，计算公式如下式(8)：所述步骤五，生成变化检测结果图V∈RM×N；使用阈值分割法获得变化检测结果图V，变化检测结果图计算公式如下式(9)：其中，λ为由阈值分割法确定的阈值。本专利技术技术效果：本专利技术为了克服数据本身由于成像过程所引入的差异，设计耦合判别特征学习网络来寻找适合遥感图像变化检测的特征空间，由于遥感图像变化信息标签难获取，本专利技术采用无监督自学习的方式来进行特征学习，避免了对标记数据的需求。本专利技术引入了神经网络技术对待检测图像进行特征提取，并且使用耦合训练的方式，将两个子网络的输出进行关联，可实现最终特征表示的判别增强，即变化像素的特征差异越大，非变化像素本文档来自技高网...

【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