基于对抗双自编码器网络的遥感图像变化检测方法及系统技术方案

本发明专利技术公开了一种基于对抗双自编码器网络的遥感图像变化检测方法及系统，对双时相遥感图像进行预处理；将预处理后的双时相遥感图像制作数据集；构建对抗双自编码器网络；使用数据集训练对抗双自编码器网络；将数据集输入训练好的对抗双自编码器网络中，根据输出的结果得到变化图，再使用自动阈值分割法Otsu对变化图进行二值化得到变化检测图，完成遥感图像变化检测。变化检测。变化检测。

【技术实现步骤摘要】
基于对抗双自编码器网络的遥感图像变化检测方法及系统


[0001]本专利技术属于遥感图像变化检测
，特别涉及一种基于对抗双自编码器网络的遥感图像变化检测方法及系统。

技术介绍

[0002]变化检测作为遥感信息的重要应用之一，有着十分重要的现实意义，广泛应用于许多领域。变化检测目的在于分析不同时刻的同一空间区域的信息，检测地表地物变化信息，滤除因干扰因素出现的伪变化信息，并且找到真正的变化信息。目前的变化检测据遥感数据中有无标签数据可以分为有监督和无监督方法，有监督的方法依赖于有标记的训练样本。但是，获取大量直接表示变化区域的带注释数据的成本很高。

技术实现思路

[0003]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于对抗双自编码器网络的遥感图像变化检测方法及系统，以期在无标注或少量标注样本的情况下提高遥感图像变化检测的预测准确率。
[0004]为了实现上述目的，本专利技术采用的技术方案是：
[0005]基于对抗双自编码器网络的遥感图像变化检测方法，包括以下步骤：
[0006]S1、对双时相遥感图像进行预处理；
[0007]S2、将S1预处理后的双时相遥感图像制作成数据集；
[0008]S3、构建对抗双自编码器网络，包括：
[0009]S301、搭建两个分支自编码器网络，分别提取双时相遥感图像的特征；
[0010]S302、在S301搭建的两个分支自编码器网络特征层之间添加判别器网络，构建对抗判别模块；
[0011]S303、在S301搭建的两个分支自编码器网络特征层分别添加多头注意力机制，由两个分支自编码器网络、多头注意力机制构成注意力约束模块；
[0012]S4、使用S2制作的数据集训练S3搭建的对抗双自编码器网络；
[0013]S5、将S2制作的数据集输入S4训练好的对抗双自编码器网络中，根据输出的结果确定输入遥感图像对的中心像素是否变化，完成遥感图像变化检测。
[0014]进一步地，所述S1中，读入同一地理区域、不同时向的两张遥感图像，对两张遥感图像进行归一化预处理。
[0015]进一步地，所述S2中，首先通过传统无监督变化检测方法得到伪标签，以像素为中心，从双时相遥感图像中裁剪尺寸均为16
×
16的成对图像块，选取伪标签中未变化部分作为数据集。
[0016]进一步地，所述S301中，每个分支自编码器网络，由三个浅层自编码器组成，两个分支自编码器网络的网络结构相同，但是不共享网络参数。
[0017]进一步地，所述S301中，每个分支自编码器网络均由二维卷积层堆叠而成。
[0018]进一步地，所述S302中，两个分支自编码器网络的最深层特征层有一个判别器网络，由多层卷积层、BN层和池化层组成，作为对抗判别模块；所述S303中，两个分支自编码器网络的最深层特征层各添加一个多头注意力机制。
[0019]进一步地，所述判别器网络将两个分支自编码器网络输出的特征图像F1和特征图像F2分别输入进行判别，并且将F1和F2分别预设为真和假；然后通过对抗训练使F1和F2特征在分布上相近；两个多头注意力机制分别对应两个分支自编码器网络，将F1和F2分别输入多头注意力机制并且通过平均误差损失函数进行特征约束。
[0020]进一步地，所述S4，交叉损失的λ值为0.05～0.5，初始学习率为0.0001～0.0005，batchsize为64～256；训练共迭代10～20次，学习率采用三段式的方式衰减，每隔5～10代，学习率衰减为原来的十分之一；使用平均误差损失和交叉熵损失作为损失函数，使用Adam作为优化方法。
[0021]进一步地，所述S5，使用自动阈值分割法Otsu对变化图进行二值化得到变化检测图。
[0022]进一步地，本专利技术还提供了一种基于对抗双自编码器网络的遥感图像变化检测系统，包括：
[0023]处理模块，对双时相遥感图像进行预处理；
[0024]数据模块，将处理模块预处理后的双时相遥感图像制作成数据集；
[0025]网络模块，构建对抗双自编码器网络；所述对抗双自编码器网络包括两个分支自编码器网络、判别器网络以及多头注意力机制；所述两个分支自编码器网络用于分别提取双时相遥感图像的特征，所述判别器网络设置于两个分支自编码器网络特征层之间，与两个分支自编码器网络构成对抗判别模块；所述多头注意力机制分别添加在两个分支自编码器网络特征层，与两个分支自编码器网络构成注意力约束模块；
[0026]训练模块，使用数据模块制作的数据集训练网络模块搭建的对抗双自编码器网络；
[0027]检测模块，将数据模块制作,数据集输入训练模块训练好的对抗双自编码器网络中，根据输出的结果得到变化图，再使用自动阈值分割法Otsu对变化图进行二值化得到变化检测图，完成遥感图像变化检测。
[0028]与现有技术相比，本专利技术的有益效果是：
[0029]本专利技术一种基于对抗双自编码器网络的遥感图像变化检测方法，使用分支网络作为基础结构，分别提取同一地点、不同时间的遥感图像的特征。该算法在分支网路中添加注意力机制和判别器，约束两个分支网络中特征的相互依赖关系，使其能够根据网络损失的反馈为每个特征图像的通道分配权重。通过不断的迭代训练，双自编码器网络能够有效的约束未变化像素块，从而分离出变化和未变化像素。这种模式的设计极大的增强了变化检测的检测精度。
[0030]进一步的，深度神经网络需要大量的数据训练网络，通过S2从双时相遥感图像中选出部分像素制作训练数据集，并使用双时相图像的所有像素输入训练完成的网络。
[0031]进一步的，通过S3设计了一种基于深度学习的无监督变化检测网络。
[0032]进一步的，通过S301使用双自编码器网络分别提取双时相图像的特征。若双时相遥感图像的地物信息相同，则两个分支网络提取的特征也相似，若双时向图像的地物信息
不同，则两个分支网络提取的特征也存在较大差异；有利于判断输入图像对是否发生变化。
[0033]进一步的，通过S302向双自编码器网络中添加判别器网络，判别器网络能够约束特征图像，并为特征图像的每个通道重新分配权重，为伪变化信息的特征被分配较小的权重。
[0034]进一步的，两个分支网络有一对相互独立的多头注意力机制模块，多头注意力机制模块与对抗双自编码器网络构成了注意力约束模块。
[0035]进一步的，为了使模型拟合当前数据集，使用S2生成的数据集训练网络。
[0036]进一步的，为了验证模型的性能，使用S2生成的数据集测试模型。模型的输入是一对双时相遥感图像，输出是一个二维向量，代表像素的变化强度，根据输出的结果得到变化图，再使用自动阈值分割法Otsu对变化图进行二值化得到变化检测图，完成遥感图像变化检测。
[0037]综上所述，本专利技术基于生成对抗网络、双自编码器网络和多头注意力机制设计了一种新的变化检测模型，该模型能够在一定程度上提升变化检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于对抗双自编码器网络的遥感图像变化检测方法，其特征在于，包括以下步骤：S1、对双时相遥感图像进行预处理；S2、将S1预处理后的双时相遥感图像制作成数据集；S3、构建对抗双自编码器网络，包括：S301、搭建两个分支自编码器网络，分别提取双时相遥感图像的特征；S302、在S301搭建的两个分支自编码器网络特征层之间添加判别器网络，构建对抗判别模块；S303、在S301搭建的两个分支自编码器网络特征层分别添加多头注意力机制，由两个分支自编码器网络、多头注意力机制构成注意力约束模块；S4、使用S2制作的数据集训练S3搭建的对抗双自编码器网络；S5、将S2制作的数据集输入S4训练好的对抗双自编码器网络中，根据输出的结果确定输入遥感图像对的中心像素是否变化，完成遥感图像变化检测。2.根据权利要求1所述基于对抗双自编码器网络的遥感图像变化检测方法，其特征在于，所述S1中，读入同一地理区域、不同时向的两张遥感图像，对两张遥感图像进行归一化预处理。3.根据权利要求1所述基于对抗双自编码器网络的遥感图像变化检测方法，其特征在于，所述S2中，首先通过传统无监督变化检测方法得到伪标签，以像素为中心，从双时相遥感图像中裁剪尺寸均为16
×
16的成对图像块，选取伪标签中未变化部分作为数据集。4.根据权利要求1所述基于对抗双自编码器网络的遥感图像变化检测方法，其特征在于，所述S301中，每个分支自编码器网络，由三个浅层自编码器组成，两个分支自编码器网络的网络结构相同，但是不共享网络参数。5.根据权利要求1或4所述基于对抗双自编码器网络的遥感图像变化检测方法，其特征在于，所述S301中，每个分支自编码器网络均由二维卷积层堆叠而成。6.根据权利要求5所述基于对抗双自编码器网络的遥感图像变化检测方法，其特征在于，所述S302中，两个分支自编码器网络的最深层特征层有一个判别器网络，由多层卷积层、BN层和池化层组成，作为对抗判别模块；所述S303中，两个分支自编码器网络的最深层特征层各添加...

【专利技术属性】
技术研发人员：陈璞花，马文韬，焦李成，刘芳，李玲玲，马文萍，郭雨薇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：