一种基于原型分析和卷积神经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原型分析和卷积神经网络的高光谱变化检测方法，方法包括：对待检测的两个时相位的高光谱图像进行预处理，得到观测数据；基于噪声白化处理，对观测数据进行虚拟维数估计，得到估计值；根据第一估计值和第二估计值，确定地物变化情况；通过松弛因子对观测数据进行光谱解混，得到目标丰度矩阵；基于目标丰度矩阵，计算得到亲和矩阵；基于亲和矩阵，通过训练好的网络模型得到变化检测结果。本发明专利技术通过引入松弛因子进行光谱解混，以提高通用性，并虚拟维数方法对图像的地物类别进行预估计，在传统的变化检测流程中加入了地物类别变化的分析，提高了变化检测结果的可解释性，可广泛应用于变化检测技术领域。可广泛应用于变化检测技术领域。可广泛应用于变化检测技术领域。

【技术实现步骤摘要】
一种基于原型分析和卷积神经网络的高光谱变化检测方法


[0001]本专利技术涉及变化检测
，尤其是一种基于原型分析和卷积神经网络的高光谱变化检测方法。

技术介绍

[0002]变化检测作为遥感图像分析的一项重要应用，具体指利用两幅同一地点不同时间的遥感图像分析和确定发生了变化的地物的过程。地物变化包括光谱特性的变化与物体空间位置上的变化。它是监测土地覆盖变化，城市变化等方面一项有效的技术手段。在遥感图像中，高光谱图像凭借其丰富的光谱信息成为地物观测的重要数据来源。由于高光谱成像技术较新，关于高光谱遥感图像的变化检测方法并不成熟。
[0003]高光谱图像由于空间分辨率较低，在地物复杂的场景下容易出现同个像元出现多种地物的情况，光谱解混技术可以将混合像元分解为不同的端元并计算各端元的所占比例，即丰度。然而传统的光谱解混技术对数据适应性较差，因此，如何实现较好通用性的光谱解混方法是亟需解决的问题。
[0004]并且，目前现有的变化检测技术中，大多都只关注观测场景是否有地物变化，却很少关注地物变化的类别。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供一种基于原型分析和卷积神经网络的高光谱变化检测方法，能够有效解决现有技术存在的问题。
[0006]一方面，本专利技术的实施例提供了一种基于原型分析和卷积神经网络的高光谱变化检测方法，包括：
[0007]对待检测的两个时相位的高光谱图像进行预处理，得到观测数据；
[0008]基于噪声白化处理，对所述观测数据进行虚拟维数估计，得到估计值；其中，所述估计值包括第一估计值和第二估计值；
[0009]根据所述第一估计值和所述第二估计值，确定地物变化情况；
[0010]通过松弛因子对所述观测数据进行光谱解混，得到目标丰度矩阵；
[0011]基于所述目标丰度矩阵，计算得到亲和矩阵；
[0012]基于所述亲和矩阵，通过训练好的网络模型得到变化检测结果。
[0013]可选地，所述对待检测的两个时相位的高光谱图像进行预处理，得到观测数据，包括：
[0014]通过ENVI遥感图像处理软件对待检测的两个时相位的高光谱图像进行预处理，得到观测数据；
[0015]其中，所述观测数据包括第一观测数据和第二观测数据；所述预处理包括辐射校正、几何校正和图像配准。
[0016]可选地，所述基于噪声白化处理，对所述观测数据进行虚拟维数估计，得到估计
值，包括：
[0017]根据所述观测数据，确定噪声协方差矩阵；
[0018]基于所述噪声协方差矩阵进行特征值分解得到的特征值和特征向量，对所述观测数据进行噪声白化处理，得到白化观测数据；
[0019]根据所述白化观测数据，确定白化观测数据相关矩阵和白化噪声协方差矩阵，得到白化信号相关矩阵；
[0020]根据所述白化信号相关矩阵，通过Hys ime模型得到估计值；
[0021]其中，所述估计值包括子空间特征向量和目标特征向量排列顺序；通过对待检测的两个时相位的高光谱图像分别对应的观测数据进行虚拟维数估计，得到所述第一估计值和所述第二估计值。
[0022]可选地，所述根据所述白化观测数据，确定白化观测数据相关矩阵和白化噪声协方差矩阵，得到白化信号相关矩阵，包括：
[0023]根据所述白化观测数据，确定白化观测数据相关矩阵和白化噪声协方差矩阵，通过信号相关矩阵公式计算得到白化信号相关矩阵；
[0024]其中，所述信号相关矩阵公式为：
[0025][0026]式中，表示白化信号相关矩阵，R
yw
表示白化观测信号相关矩阵，表示白化噪声协方差矩阵，I表示单位矩阵，
[0027]可选地，所述根据所述第一估计值和所述第二估计值，确定地物变化情况，包括：
[0028]通过所述第一估计值和所述第二估计值作差，得到两个时相位的高光谱图像的变化地物类别和未变化地物类别；
[0029]基于所述变化地物类别和所述未变化地物类别，整理得到地物变化情况。
[0030]可选地，所述通过松弛因子对所述观测数据进行光谱解混，得到目标丰度矩阵，包括：
[0031]基于所述观测数据，对原型向量和丰度矩阵进行初始化；
[0032]通过投影梯度法迭代更新变量因子，并不断调整松弛因子，直至达到预设误差阈值，得到目标丰度矩阵；
[0033]其中，所述目标丰度矩阵包括第一目标丰度矩阵和第二目标丰度矩阵；通过对待检测的两个时相位的高光谱图像分别对应的观测数据进行光谱解混，得到所述第一目标丰度矩阵和所述第二目标丰度矩阵。
[0034]可选地，所述目标丰度矩阵包括第一目标丰度矩阵和第二目标丰度矩阵，所述基于所述目标丰度矩阵，计算得到亲和矩阵，包括：
[0035]根据所述第一目标丰度矩阵，结合第一个时相位的高光谱图像的像元，得到第一数据块集；
[0036]根据所述第二目标丰度矩阵，结合第二个时相位的高光谱图像的像元，得到第二数据块集；
[0037]根据所述第一数据块集和所述第二数据块集，通过亲和矩阵公式计算两个时相位的高光谱图像对应的各个像元的亲和矩阵；
[0038]其中，所述亲和矩阵公式为：
[0039]K＝1
‑
(R1‑
R2)/R2[0040]式中，K表示亲和矩阵，R1表示第一数据块集中的数据块，R2表示第二数据块集中的数据块，R1和R2对应的像元在两个时相位的高光谱图像的位置相同。
[0041]可选地，还包括：
[0042]对卷积神经网络进行训练，得到训练好的网络模型。
[0043]可选地，所述对卷积神经网络进行训练，得到训练好的网络模型，包括：
[0044]基于预设比例，将高光谱图像中的像元分为训练数据集和测试数据集；
[0045]对所述训练数据集中每一个像元计算亲和矩阵，输入卷积神经网络；
[0046]通过随机梯度下降法优化损失函数，基于预设周期对所述卷积神经网络进行有监督训练；
[0047]当模型指标类别平均准确度和平均交合并符合预设条件，得到训练好的网络模型。
[0048]另一方面，本专利技术的实施例提供了一种基于原型分析和卷积神经网络的高光谱变化检测系统，包括：
[0049]第一模块，用于对待检测的两个时相位的高光谱图像进行预处理，得到观测数据；
[0050]第二模块，用于基于噪声白化处理，对所述观测数据进行虚拟维数估计，得到估计值；其中，所述估计值包括第一估计值和第二估计值；
[0051]第三模块，用于根据所述第一估计值和所述第二估计值，确定地物变化情况；
[0052]第四模块，用于通过松弛因子对所述观测数据进行光谱解混，得到目标丰度矩阵；
[0053]第五模块，用于基于所述目标丰度矩阵，计算得到亲和矩阵；
[0054]第六模块，用于基于所述亲和矩阵，通过训练好的网络模型得到变化检测结果。...

【技术保护点】

【技术特征摘要】
1.一种基于原型分析和卷积神经网络的高光谱变化检测方法，其特征在于，包括：对待检测的两个时相位的高光谱图像进行预处理，得到观测数据；基于噪声白化处理，对所述观测数据进行虚拟维数估计，得到估计值；其中，所述估计值包括第一估计值和第二估计值；根据所述第一估计值和所述第二估计值，确定地物变化情况；通过松弛因子对所述观测数据进行光谱解混，得到目标丰度矩阵；基于所述目标丰度矩阵，计算得到亲和矩阵；基于所述亲和矩阵，通过训练好的网络模型得到变化检测结果。2.根据权利要求1所述的一种基于原型分析和卷积神经网络的高光谱变化检测方法，其特征在于，所述对待检测的两个时相位的高光谱图像进行预处理，得到观测数据，包括：通过ENVI遥感图像处理软件对待检测的两个时相位的高光谱图像进行预处理，得到观测数据；其中，所述观测数据包括第一观测数据和第二观测数据；所述预处理包括辐射校正、几何校正和图像配准。3.根据权利要求1所述的一种基于原型分析和卷积神经网络的高光谱变化检测方法，其特征在于，所述基于噪声白化处理，对所述观测数据进行虚拟维数估计，得到估计值，包括：根据所述观测数据，确定噪声协方差矩阵；基于所述噪声协方差矩阵进行特征值分解得到的特征值和特征向量，对所述观测数据进行噪声白化处理，得到白化观测数据；根据所述白化观测数据，确定白化观测数据相关矩阵和白化噪声协方差矩阵，得到白化信号相关矩阵；根据所述白化信号相关矩阵，通过Hysime模型得到估计值；其中，所述估计值包括子空间特征向量和目标特征向量排列顺序；通过对待检测的两个时相位的高光谱图像分别对应的观测数据进行虚拟维数估计，得到所述第一估计值和所述第二估计值。4.根据权利要求3所述的一种基于原型分析和卷积神经网络的高光谱变化检测方法，其特征在于，所述根据所述白化观测数据，确定白化观测数据相关矩阵和白化噪声协方差矩阵，得到白化信号相关矩阵，包括：根据所述白化观测数据，确定白化观测数据相关矩阵和白化噪声协方差矩阵，通过信号相关矩阵公式计算得到白化信号相关矩阵；其中，所述信号相关矩阵公式为：式中，表示白化信号相关矩阵，R
yw
表示白化观测信号相关矩阵，表示白化噪声协方差矩阵，I表示单位矩阵，5.根据权利要求1所述的一种基于原型分析和卷积神经网络的高光谱变化检测方法，其特征在于，所述根据所述第一估计值和所述第二估计值，确定地物变化情况，包括：通过所述第一估计值和所述第二估计值作差，得到两个时相位的高光谱图像的变化地
物类别和未变化地物类别；基于所述变化地物类别和所述未变化地物类别，整理得到地物变化情况。6.根据权利要求1所述的一种基于原型分析和卷积神经...

【专利技术属性】
技术研发人员：赵艮平，黄子岸，王卓薇，程良伦，
申请(专利权)人：广东能哥知识科技有限公司，
类型：发明
国别省市：