基于增量式差异学习网络的多源异质影像变化检测方法技术

本发明专利技术公开了一种基于增量式差异学习网络的多源异质影像变化检测方法，包括：构建两幅多源异质遥感影像的原始训练样本；利用两组原始训练样本分别训练SDAE，构建差异学习网络；根据两组原始训练样本和差异学习网络在当前次迭代中的目标函数训练差异学习网络，得到当前次迭代中的预分类结果图；利用其和预设的样本筛选策略确定当前次迭代中的分类器训练集，并训练分类器得到当前次迭代中的分类器的训练损失；判断是否达到迭代停止条件；若否利用当前次迭代中的分类器的训练损失更新差异学习网络的目标函数并返回差异学习网络训练；若是利用当前次迭代中训练完成的分类器得到两幅多源异质遥感影像的变化检测结果图。本发明专利技术能提高检测精度。明能提高检测精度。明能提高检测精度。

【技术实现步骤摘要】
基于增量式差异学习网络的多源异质影像变化检测方法


[0001]本专利技术属于图像处理领域，具体涉及一种基于增量式差异学习网络的多源异质影像变化检测方法。

技术介绍

[0002]近年来，随着遥感技术的迅速发展，遥感影像变化检测作为其中最重要的关键技术之一，已经广泛应用于多个领域，如国土资源管理、地物变化和农林业监测等。针对遥感影像变化检测的研究课题中，基于不同传感器获取到的多源异质遥感影像的变化检测是一个颇具挑战性的问题之一，由于不同传感器的成像机理不同，对相同场景的观测结果也存在很大差异，因此无法对多源异质遥感影像进行直接有效的比较。
[0003]目前已有一些多源异质遥感影像变化检测算法被相继提出，如分类后比较法(Post
‑
classification Comparison，PCC)、直接多日期分类(Direct Multi
‑
dateClassification，DMC)方法和基于目标的分类方法(Object
‑
based land cover changedetection，OBCD)等。此外，核典型关联分析和copula理论也常被用于处理多源异质遥感影像变化检测问题。但是，这些方法需要通过人工标记不变的像素去建模学习两相时影像间的依赖关系，无法得到广泛应用。
[0004]随着深度神经网络这一具备优秀特征提取和分析能力的工具得到广泛研究与应用，越来越多学者将深度学习与传统变化检测方法进行结合，用以处理多源异质遥感影像的变化检测问题。虽然多源异质遥感影像在低维观测空间中难以被直接比较，但其仍然具备同一区域的信息表示，结合深度模型的高维特征分析能力，使得多源异质遥感影像数据在高维特征空间中进行差异信息分析成为可能。基于这种思想，Liu等人结合Copula理论，提出了基于对称耦合卷积网络(Symmetric Convolutional Coupling Network，SCCN)的多源异质遥感影像变化检测方法。SCCN将两幅多源异质遥感影像通过耦合结构转换到同一特征空间中，将处于该空间的特征数据视为同源影像数据进行处理，通过直接比较的方法生成差异图进行分析。
[0005]除了将多源异质遥感影像数据映射到同一特征空间这种方式实现差异分析以外，将两幅多源异质遥感影像数据的其中一幅进行转换映射，向另一幅影像数据的特性靠近，也能实现有效的差异信息分析。Niu等人提出了基于条件对抗网络(Conditional Adversarial Network，CAN)的异质图像变化检测方法，通过生成模型对多源异质遥感影像进行转译，将生成的影像当作同源影像数据进行处理，然后通过判别模型来学习到区分变化类与未变化类的能力。在Niu等人提出的基于CAN的变化检测方法的启发下，Luigi等人提出了基于对抗性循环编码器网络(Adversarial Cyclic Encoders Network，ACE
‑
Net)的变化检测方法。在ACE
‑
Net中，首先通过计算基于邻域像素块的亲和度矩阵(Affinitymatrices)来为变化算法提供先验信息，然后使用两个自动编码器来构成 ACE
‑
Net，通过生成对抗学习将原始异质影像数据映射到同一个潜在空间中，最后通过简单的距离度量即可得到差异图。Zhan利用对数变换方法来实现多源异质遥感影像转译，提出了基于对数变换
特征学习的异质SAR和光学遥感影像变化检测方法。该方法通过将对数变换应用于SAR图像，以实现与光学图像相似的统计分布特性，然后使用深度堆栈自编码器对变换后的影像实现联合特征提取，可以从转换后的图像对中学习到高水平的特征表示，用于选择可靠的样本来训练神经网络分类器。
[0006]但上述利用深度神经网络的多源异质遥感影像变化检测算法普遍存在较多的错检、漏检情况，检测精度并不高。

技术实现思路

[0007]本专利技术实施例的目的在于提供一种基于增量式差异学习网络的多源异质影像变化检测方法，以实现提高检测精度的目的。具体技术方案如下：
[0008]第一方面，本专利技术实施例提供了一种基于增量式差异学习网络的多源异质影像变化检测方法，所述方法包括：
[0009]对获取的两幅多源异质遥感影像，分别构建原始训练样本；
[0010]利用得到的两组原始训练样本分别训练预设的深度去噪自动编码器，基于训练完成的两个深度去噪自动编码器构建差异学习网络；
[0011]根据所述两组原始训练样本和所述差异学习网络在当前次迭代中的目标函数，对所述差异学习网络进行训练，得到所述两组原始训练样本在当前次迭代中的预分类结果图；
[0012]利用得到的预分类结果图和预设的样本筛选策略，确定当前次迭代中的分类器训练集，利用所述当前次迭代中的分类器训练集对所述分类器进行训练，得到当前次迭代中的分类器的训练损失和训练完成的分类器；
[0013]判断当前次迭代是否达到预设的迭代停止条件；
[0014]若否，利用当前次迭代中的分类器的训练损失更新所述差异学习网络的目标函数，并返回执行所述根据所述两组原始训练样本和所述差异学习网络在当前次迭代中的目标函数，对所述差异学习网络进行训练的步骤；
[0015]若是，利用当前次迭代中训练完成的分类器，得到所述两幅多源异质遥感影像的变化检测结果图。
[0016]在本专利技术的一个实施例中，所述两幅多源异质遥感影像中，一幅为SAR影像，另一幅为光学影像。
[0017]在本专利技术的一个实施例中，所述对获取的两幅多源异质遥感影像，分别构建原始训练样本，包括：
[0018]对每一幅多源异质遥感影像得到像素邻域样本矩阵，作为对应的原始训练样本。
[0019]在本专利技术的一个实施例中，所述利用得到的两组原始训练样本分别训练预设的深度去噪自动编码器，包括：
[0020]将得到的两组原始训练样本分别作为输入数据，训练预设的深度去噪自动编码器，得到训练完成的两个深度去噪自动编码器。
[0021]在本专利技术的一个实施例中，所述根据所述两组原始训练样本和所述差异学习网络在当前次迭代中的目标函数，对所述差异学习网络进行训练，得到所述两组原始训练样本在当前次迭代中的预分类结果图，包括：
[0022]利用所述训练完成的两个深度去噪自动编码器分别对对应组原始训练样本进行特征提取，得到一对高维特征矩阵；
[0023]利用所述训练完成的两个深度去噪自动编码器将所述一对高维特征矩阵映射到同一特征空间，得到同一特征空间中的两个特征图；
[0024]根据所述差异学习网络在当前次迭代中的目标函数，对所述两个特征图进行相似性度量得到差异图；
[0025]基于所述差异图得到当前次迭代中所述两组原始训练样本分别对应的预分类结果图；其中，一组原始训练样本对应的预分类结果图包括各像素位置的预分类结果值，用于表征该组原始训练样本所属的多源异质遥感影像中，相同像素位置上的像素类别为变化类或者未变化类。
...

【技术保护点】

【技术特征摘要】
1.一种基于增量式差异学习网络的多源异质影像变化检测方法，其特征在于，包括：对获取的两幅多源异质遥感影像，分别构建原始训练样本；利用得到的两组原始训练样本分别训练预设的深度去噪自动编码器，基于训练完成的两个深度去噪自动编码器构建差异学习网络；根据所述两组原始训练样本和所述差异学习网络在当前次迭代中的目标函数，对所述差异学习网络进行训练，得到所述两组原始训练样本在当前次迭代中的预分类结果图；利用得到的预分类结果图和预设的样本筛选策略，确定当前次迭代中的分类器训练集，利用所述当前次迭代中的分类器训练集对所述分类器进行训练，得到当前次迭代中的分类器的训练损失和训练完成的分类器；判断当前次迭代是否达到预设的迭代停止条件；若否，利用当前次迭代中的分类器的训练损失更新所述差异学习网络的目标函数，并返回执行所述根据所述两组原始训练样本和所述差异学习网络在当前次迭代中的目标函数，对所述差异学习网络进行训练的步骤；若是，利用当前次迭代中训练完成的分类器，得到所述两幅多源异质遥感影像的变化检测结果图。2.根据权利要求1所述的基于增量式差异学习网络的多源异质影像变化检测方法，其特征在于，所述两幅多源异质遥感影像中，一幅为SAR影像，另一幅为光学影像。3.根据权利要求1或2所述的基于增量式差异学习网络的多源异质影像变化检测方法，其特征在于，所述对获取的两幅多源异质遥感影像，分别构建原始训练样本，包括：对每一幅多源异质遥感影像得到像素邻域样本矩阵，作为对应的原始训练样本。4.根据权利要求3所述的基于增量式差异学习网络的多源异质影像变化检测方法，其特征在于，所述利用得到的两组原始训练样本分别训练预设的深度去噪自动编码器，包括：将得到的两组原始训练样本分别作为输入数据，训练预设的深度去噪自动编码器，得到训练完成的两个深度去噪自动编码器。5.根据权利要求4所述的基于增量式差异学习网络的多源异质影像变化检测方法，其特征在于，所述根据所述两组原始训练样本和所述差异学习网络在当前次迭代中的目标函数，对所述差异学习网络进行训练，得到所述两组原始训练样本在当前次迭代中的预分类结果图，包括：利用所述训练完成的两个深度去噪自动编码器分别对对应组原始训练样本进行特征提取，得到一对高维特征矩阵；利用所述训练完成的两个深度去噪自动编码器将所述一对高维特征矩阵映射到同一特征空间，得到同一特征空间中的两个特征图；根据所述差异学习网络在当前次迭代中的目标函数，对所述两个特征图进行相似性度量得到差异图；基于所述差异图得到当前次迭代中所述两组原始训练样本分别对应的预分类结果图；其中，一组原始训练样本对应的预分类结果图包括各像素位置的预分类结果值，用于表征该组原始训练样本所属的多源异质遥感影像中，相同像素位置上的像素类别为变化类或者未变化类。6.根据权利要求5所述的基于增量式差异学习网络的多源异质影像变化检测方法，其
特征在于，所述基于所述差异图得到当前次迭代中所述两组原始训练样本分别对应的预分类结果图，包括：利用预设阈值算法对所述差异图进行阈值划分，得到阈值...

【专利技术属性】
技术研发人员：侍佼，谭春晖，雷雨，周德云，张圆，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：