图像间变化检测的局部和全局深度对比特征学习网络构建方法技术

本发明专利技术公开了一种图像间变化检测的局部和全局深度对比特征学习网络构建方法，包括：对输入图像进行编码获得全局高维表示特征；构造特征域与全局特征相似的正样本数据和不相似的负样本数据；度量全局特征与构建的正负样本数据之间的关联程度；建立特征域层级化输入的带约束先验模型；获得最优的编码表示特征；迭代优化概率模型，求解差异概率图矩阵；输出二值变化结果图。本发明专利技术充分利用特征域层级化输入的结构信息，构建一个基于正负样本的全局特征、局部特征和先验损失三项的网络损失函数，通过优化损失函数更新编码器的参数，使得编码器能有效地学习图像间的局部和全局深度对比特征，体现抽象的语义信息和空间信息的关联性。联性。联性。

【技术实现步骤摘要】
图像间变化检测的局部和全局深度对比特征学习网络构建方法


[0001]本专利技术属于遥感图像处理
，具体涉及一种图像间变化检测的局部和全局深度对比特征学习网络构建方法。

技术介绍

[0002]遥感图像的变化检测是针对同一区域不同时间所获取的多时相遥感影像进行定量地分析和确定地物变化的特征的过程。变化检测的目的是找到变化区域并用二值图进行表示。变化检测任务能及时准确地检测地球表面特征，为更好地理解人与自然现象之间的关系和相互作用提供了基础，从而可以更好地管理和使用资源，具有迫切的科学应用需求和广泛的应用前景。该技术已在森林防火变迁，环境变化，冰川的变化，城市扩张，农田检测，洪水预警，道路分析，地震灾后探测和军事的动态监测领域获得了广泛的应用。
[0003]目前的变化检测方法大多针对同源图像，即同一传感器获取的图像。例如SAR影像变化检测，图像中未变化的区域呈现出相同的特征，可以直接进行比较，相对较为简单。但在实际应用中受到很多限制，因为要检测某一区域某一事件发生后产生的变化情况，不仅要有事件前该区域的图像，还需要事件后该区域同一传感器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像间变化检测的局部和全局深度对比特征学习网络构建方法，其特征在于，包括如下步骤：(1)利用网络对输入图像进行编码获得全局高维表示特征和中间层特征；(2)构造全局正负样本数据和局部正负样本数据；(3)构造对比损失函数；(4)求解差异概率图矩阵；(5)对差异概率图矩阵进行聚类，输出二值变化结果图。2.根据权利要求1所述的图像间变化检测的局部和全局深度对比特征学习网络构建方法，其特征在于，输入不同时期同一场景的两幅图像：X1∈R
W
×
H
和X2∈R
W
×
H
，W表示图像的宽度，H表示图像的高度。3.根据权利要求2所述的图像间变化检测的局部和全局深度对比特征学习网络构建方法，其特征在于，将原始图像按像素随机取块x
i
，i＝1，2，...，N，块x
i
拉成一个一维向量作为编码器E
ψ
(x
i
)的输入，获得特征域的全局高维表示特征y
ψ
和中间层特征M
ψ
，全局高维特征表示最后一层特征。4.根据权利要求3所述的图像间变化检测的局部和全局深度对比特征学习网络构建方法，其特征在于，编码特征表示的具体步骤如下：1)编码器E
ψ
(X)的网络结构一幅图像X作为编码网络的输入，经过卷积层和全连接层获得编码特征表示其中，y
ψ
表示编码特征表示的高维特征表示，M
ψ
表示编码特征表示的中间层特征表示，表示第n
fc
个全连接层，表示第n
cov
个卷积层；2)对一幅输入的图像X1按像素随机取块x
i
，i＝1，2，...，N，N表示X1图像取块的个数，块x
i
拉成一个一维向量作为编码器E
ψ
(x
i
)的输入，获得SAR图像X1在特征域的全局表示特征y
ψ
和全局中间层特征M
ψ
；3)对另一幅输入的图像X2按像素随机取块x
i
，i＝1，2，...，N，N表示X2图像取块的个数，块x
i
拉成一个一维向量作为编码器E
ψ
(x
i
)的输入，获得光学图像X2在特征域的全局表示特征y
ψ
和全局中间层特征M
ψ
。5.根据权利要求1所述的图像间变化检测的局部和全局深度对比特征学习网络构建方法，其特征在于，构造全局正负样本数据和局部正负样本数据，具体过程为：全局正负样本数据：中间层特征M
ψ
作为全局正样本数据；将每个批次的第一张图片的中间层特征与...

【专利技术属性】
技术研发人员：肖亮，张皓程，虎玲，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：