一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法技术

本发明专利技术公开了一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，获取同一区域两个时间点的高光谱图像，并构成样本图像；选择样本图像中所有像素的5％作为训练像素，并根据训练像素中的变化情况对像素标记变化标签，得到不变像素；本发明专利技术采取了将光谱与空间先完全分离再融合的空谱联合策略，分别在光谱和空间上追求更好的特征提取效果，接着对不变像素在两个时间点的光谱采用编码网络进行双向重建，并将重建误差作为新的光谱特征来源，进一步的抑制了噪声对光谱的影响，随后基于波段选择算法筛选部分波段参与空间特征提取，并在残差架构的基础上利用初始特征进行特征增强以提升特征提取效果。征增强以提升特征提取效果。征增强以提升特征提取效果。

【技术实现步骤摘要】
一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法。

技术介绍

[0002]随着遥感技术的发展，基于遥感图像数据的变化检测在城市开发、地形分析、资源分析领域中有重要的应用；高光谱成像技术是遥感技术发展的重要产物，也是遥感图像重要的数据来源；高光谱图像丰富的光谱信息提供了比传统的多光谱更加精细的光谱特征，但与此同时也带来了高维度和大量冗余，为特征提取任务带来了挑战。
[0003]目前，多项研究采用将光谱信息与空间信息融入到特征提取中的空谱联合策略进行高光谱图像的变化检测；然而，一个重要的事实是很难找到一个特征空间使得光谱特征与空间特征均能达到最优表达；此外，受到噪声等因素的影响，不变的像素在两个时间点的光谱会存在一定的差异；另外，由于高光谱极高的分辨率，相邻波段的信息通常高度相似，且注意到部分波段的空间信息被大量破坏，这意味着并不需要所有波段的空间信息；因此，需要设计一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法。

技术实现思路

[0004]本专利技术的目的是克服现有技术的不足，为更好的有效解决现有的问题，提供了一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，其采取了将光谱特征提取与空间特征提取先完全分离再融合的空谱联合策略，分别在光谱特征提取和空间特征提取上追求更好的特征提取效果，具有对不变像素在两个时间点的光谱采用编码网络进行双向重建，并将重建误差作为新的光谱特征来源，进一步的抑制了噪声对光谱的影响，还基于现有先进的波段选择算法筛选部分波段参与空间特征提取，并在残差架构的基础上利用初始特征进行特征增强以提升特征提取效果的优点。
[0005]为了达到上述目的，本专利技术所采用的技术方案是：
[0006]一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，包括以下步骤，
[0007]步骤(A)，获取同一区域两个时间点的高光谱图像，并构成样本图像；
[0008]步骤(B)，选择样本图像中所有像素的5％作为训练像素，并根据训练像素中的变化情况对像素标记变化标签，得到不变像素；
[0009]步骤(C)，利用训练像素中的不变像素构造双向编码网络对光谱进行重建，并得到重建误差和变化光谱向量，接着将重建误差和变化光谱向量融合为光谱综合输入；
[0010]步骤(D)，将光谱综合输入到一维卷积神经网络提取光谱特征；
[0011]步骤(E)，在样本图像中运用Optimal Clustering Framework算法筛选具有空间信息的波段，并构成高光谱变化图像，接着将训练像素及其邻域像素的光谱从波段筛选后
的高光谱变化图像中取出成为变化张量；
[0012]步骤(F)，将变化张量输入强化的二维残差卷积神经网络提取空间特征；
[0013]步骤(G)，将光谱特征与空间特征融合后输入全连接网络中得到像素的分类结果，并生成变化检测结果图。
[0014]前述的一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，步骤(A)，获取同一区域两个时间点的高光谱图像，并构成样本图像，其具体是在两个不同的时间点采集同一区域的高光谱图像和和其中表示实数域，h和w为高度和宽度，c为波段数。
[0015]前述的一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，步骤(B)，选择样本图像中所有像素的5％作为训练像素，并根据训练像素中的变化情况对像素标记变化标签，得到不变像素，其具体步骤如下，
[0016]步骤(B1)，选择样本图像中所有像素的5％作为训练像素，设集合U＝{1,2,...,hw}代表每个像素的下标，U的幂集的一个子集π＝{Tr,Va,Te}是U的一个随机划分，分别代表训练集、验证集和测试集，其中|Tr|＝0.05hw，|Va|＝0.025h；
[0017]步骤(B2)，根据训练像素中的变化情况对像素标记变化标签，标注第i个像素的真实变化标签为y
true
(i)，其中i∈Tr，y
true
(i)＝1表示第i个像素是变化像素，y
true
(i)＝0表示第i个像素是不变像素。
[0018]前述的一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，步骤(C)，利用训练像素中的不变像素构造双向编码网络对光谱进行重建，并得到重建误差和变化光谱向量，接着将重建误差和变化光谱向量融合为光谱综合输入，其具体步骤如下，
[0019]步骤(C1)，利用训练像素中的不变像素构造双向编码网络对光谱进行重建，设第i个像素在两个高光谱图像中对应的光谱为和使用Tr中的不变像素构造X
(1)
和X
(2)
之间的双向重建映射f1、g1、f2和g2，如公式(1)所示，
[0020][0021]其中，代表在映射f
k
下的编码，k∈{1，2}，j∈Tr且y
true
(j)＝0，的维数s＝120；
[0022]步骤(C2)，得到重建误差，利用编码网络求解以下优化问题获得f1，g1，f2，g2，如公式(2)和公式(3)所示，
[0023][0024][0025]步骤(C3)，得到变化光谱向量，计算第i个像素的光谱变化向量如公式(4)所示，
[0026][0027]步骤(C4)，将重建误差和变化光谱向量融合为光谱综合输入，计算光谱综合输入spe_input
i
，
[0028][0029]前述的一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，步骤(D)，将光谱综合输入到一维卷积神经网络提取光谱特征，其具体是将spe_input
i
输入到3层尺寸为3的一维卷积核中得到光谱特征向量而spe为光谱特征向量的维数，且spe＝120。
[0030]前述的一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，步骤(E)，在样本图像中运用Optimal Clustering Framework算法筛选具有空间信息的波段，并构成高光谱变化图像，接着将训练像素及其邻域像素的光谱从波段筛选后的高光谱变化图像中取出成为变化张量，其具体步骤如下，
[0031]步骤(E1)，计算高光谱变化图像如公式(6)所示，
[0032]X
(D)
＝|X
(1)
‑
X
(2)
|
ꢀꢀꢀ
(6)；
[0033]步骤(E2)，使用Optimal Clustering Framework算法对X
(D)
中的c个空间波段排序，根据排序结果选择d个波段得到波段选择后的高光谱变化图像序，根据排序结果选择d个波段得到波段选择后的高光谱变化图像其中d＝24；
[0034]步骤(E3)，对于第i个像素，从中提取该像素与其邻域的像素的变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，其特征在于：包括以下步骤，步骤(A)，获取同一区域两个时间点的高光谱图像，并构成样本图像；步骤(B)，选择样本图像中所有像素的5％作为训练像素，并根据训练像素中的变化情况对像素标记变化标签，得到不变像素；步骤(C)，利用训练像素中的不变像素构造双向编码网络对光谱进行重建，并得到重建误差和变化光谱向量，接着将重建误差和变化光谱向量融合为光谱综合输入；步骤(D)，将光谱综合输入到一维卷积神经网络提取光谱特征；步骤(E)，在样本图像中运用Optimal Clustering Framework算法筛选具有空间信息的波段，并构成高光谱变化图像，接着将训练像素及其邻域像素的光谱从波段筛选后的高光谱变化图像中取出成为变化张量；步骤(F)，将变化张量输入强化的二维残差卷积神经网络提取空间特征；步骤(G)，将光谱特征与空间特征融合后输入全连接网络中得到像素的分类结果，并生成变化检测结果图。2.根据权利要求1所述的一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，其特征在于：步骤(A)，获取同一区域两个时间点的高光谱图像，并构成样本图像，其具体是在两个不同的时间点采集同一区域的高光谱图像和其中表示实数域，h和w为高度和宽度，c为波段数。3.根据权利要求1所述的一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，其特征在于：步骤(B)，选择样本图像中所有像素的5％作为训练像素，并根据训练像素中的变化情况对像素标记变化标签，得到不变像素，其具体步骤如下，步骤(B1)，选择样本图像中所有像素的5％作为训练像素，设集合U＝{1，2，...,hw}代表每个像素的下标，U的幂集的一个子集π＝{Tr,Va，Te}是U的一个随机划分，分别代表训练集、验证集和测试集，其中|Tr|＝0.05hw，|Va|＝0.025h；步骤(B2)，根据训练像素中的变化情况对像素标记变化标签，标注第i个像素的真实变化标签为y
true
(i)，其中i∈Tr，y
true
(i)＝1表示第i个像素是变化像素，y
true
(i)＝0表示第i个像素是不变像素。4.根据权利要求3所述的一种基于双向重建编码网络和强化残差网络的高光谱变化检测方法，其特征在于：步骤(C)，利用训练像素中的不变像素构造双向编码网络对光谱进行重建，并得到重建误差和变化光谱向量，接着将重建误差和变化光谱向量融合为光谱综合输入，其具体步骤如下，步骤(C1)，利用训练像素中的不变像素构造双向编码网络对光谱进行重建，设第i个像素在两个高光谱图像中对应的光谱为使用Tr中的不变像素构造X
(1)
和X
(2)
之间的双向重建映射f1、g1、f2和g2，如公式(1)所示，其中，代表在映射f
k
下的编码，k∈{1，2}，j∈Tr且y
true
(...

【专利技术属性】
技术研发人员：詹天明，徐超，宋博，吴泽彬，
申请(专利权)人：南京审计大学，
类型：发明
国别省市：