一种利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法技术

一种利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法，包括初始伪标签生成和伪标签优化两个步骤。对于第一步，高置信度空间约束的伪标签生成策略被设计用于生成初始伪标签。所生成的伪标签兼备精确性和多样性。对于第二步，将初始伪标签用于训练贝叶斯网络，经过训练的网络能够预测出完整的变化图及不确定度，紧接着，基于不确定度感知的伪标签选择机制可挑选出新的伪标签用于下一次的网络训练。如此反复，网络的训练，测试和伪标签的挑选以迭代的形式进行，这使得伪标签被不断地优化，进而使模型检测变化的能力不断地增强。本发明专利技术能够检测几乎完整的强烈变化和微弱变化，抑制虚假的变化，还能够提供预测结果的不确定度用于决策辅助。不确定度用于决策辅助。不确定度用于决策辅助。

【技术实现步骤摘要】
一种利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法


[0001]本专利技术属于遥感高光谱遥感图像
，涉及高光谱图像变化检测技术，特别涉及一种利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法。

技术介绍

[0002]变化检测指通过对比多幅拍摄于同一地区但是具有一定时间差异的图像，从而发现差异的过程。此技术对于了解陆地表面变化至关重要，目前已广泛应用于生态系统监测、土地覆盖制图、城市扩展研究、资源管理等领域。因此，变化检测一直是遥感应用领域的研究热点。传感器技术的快速发展促进了高光谱图像的形成。高光谱图像提供了较宽光谱波长范围内的目标光谱特征的密集采样，使得在较细的光谱尺度上对土地覆盖进行精确监测成为可能。高光谱变化检测的挑战是在抑制虚假变化的同时，精准检测出强烈变化和精细变化。
[0003]国内外学者投入了大量的精力对变化检测问题展开深入研究，提出大量的变化检测方法和理论模型。深度学习已经席卷了计算机视觉和遥感图像解译领域，高光谱的高维特性使得基于深度学习的方法越来越受欢迎。许多基于有监督深度学习的高光谱变化检测方法已经被相继提出。然而，有限的数据源和参考变化图的稀缺性使得用于训练和测试的像素来自同一个场景。这些特征导致无法使用大型监督网络，以及对监督网络的性能评估过于乐观。因此，不依赖参考变化图的无监督深度学习方法更有前景。其中，基于伪标签的无监督深度学习方法具有简单，易于实现，高精度的优点而被广泛研究。然而，目前的高光谱变化检测方法生成的伪标签的质量有待提升。伪标签质量的衡量需要考虑准确性和多样性，准确度是指伪标签与真实标签的一致性。精度较低的伪标签会逐渐将噪声传递到变化图中。多样性是指伪标签是否涵盖所有类别，或者伪训练集是否可以表征整个数据集。对于高光谱图像的变化检测，伪标签的多样性既需要容易捕获的强变化，也需要难以检测的细微变化。不包含细微变化的伪标签训练的模型不能准确地辨别细微变化，这将导致许多漏检。因此，提高伪标签的质量至关重要。已有的高光谱变化检测方法通常是用一种或两种预分类方法得到伪标签，仍然不能同时满足准确性和多样性的要求。因为预分类方法往往会错误地区分细微变化和虚假变化。这使得没有细微变化的伪标签多样性不足，而有细微变化的伪标签噪声过大，此问题使得检测性能和应用受到限制。因此，提出一种新的高光谱变化检测方法，其伪标签策略同时兼顾精确性和多样性是至关重要的。

技术实现思路

[0004]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利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法，以解决现有方法的伪标签无法同时兼具精确性和多样性的问题，并利用优化得到的高质量伪标签获得优秀的检测性能，从而能够检测出双时相图像中的变化信息。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法，包括如下步骤：
[0007]步骤1：针对双时相高光谱图像，利用高置信度空间约束伪标签生成策略联合使用多个预分类方法和超像素分割，生成初始伪标签；
[0008]步骤2：利用初始伪标签训练贝叶斯深度学习分类网络模型，然后测试所有像素，获得变化图和不确定度；利用基于不确定度感知的伪标签选择机制优化伪标签，直至模型收敛并输出最终的变化图。
[0009]与现有技术相比，本专利技术的有益效果是：
[0010]1、本专利技术在进行高光谱图像的变化检测时，所设计的模型利用贝叶斯网络迭代优化伪标签，使得质量不断提升的伪标签促进了模型检测性能的提升，能在不同高光谱传感器获得的高光谱图像上取得较高的精度，且泛化能力好，对噪声的鲁棒性较高。
[0011]2、本专利技术提出的变化检测模型能够在抑制虚假变化的同时，检测出较为完整的强烈变化和微弱变化，这使得高光谱图像的精细光谱特征的优势得到了充分发挥。
[0012]3、本专利技术提出的变化检测模型能够提供预测的模型不确定度，即在输出变化图以及对应的每个像素的模型不确定度，不确定度与预测误差有较好的对应关系(预测错误的像素的不确定度较高，预测正确的像素的不确定度较低)，这样的不确定度所提供的预测可信度能够辅助决策。
附图说明
[0013]图1为本专利技术的总体框架。
[0014]图2是图1的一个实施例中，初始伪标签生成的示意图。
具体实施方式
[0015]下面结合附图和实施例详细说明本专利技术的实施方式。
[0016]如前所述，现有的高光谱变化检测技术中，基于伪标签的无监督方法能够在不依赖地面真值的前提下，获得较高的精度。但是现有的基于伪标签的方法依赖于一种或两种预分类方法，使得伪标签无法兼备精确性和多样性，限制了模型性能。为此，本专利技术的高光谱图像变化检测方法设计了高置信度空间约束的伪标签生成策略，以获得可信的高质量初始伪标签；紧接着，利用不确定度感知的伪标签选择机制能够利用贝叶斯网络生成的不确定度不断地优化伪标签，使得伪标签同时满足精确性和多样性。
[0017]如图1所示，本专利技术利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法主要包括两个步骤：第一步是生成初始标签(预分类，融合变化图，空间约束的伪标签挑选)，即针对双时相高光谱图像，利用高置信度空间约束伪标签生成策略，联合使用多个预分类方法和超像素分割，生成初始伪标签。第二步是优化伪标签(制作训练集，训练贝叶斯网络，测试，伪标签优化，输出检测结果)，即利用初始伪标签训练贝叶斯深度学习分类网络模型，然后测试所有像素，获得变化图，预测概率和不确定度；利用基于不确定度感知的伪标签选择机制优化伪标签，直至模型收敛并输出最终的变化图。
[0018]在本专利技术的第一步中，高置信度空间约束的伪标签生成策略被设计用于生成初始
伪标签。所生成的伪标签兼备精确性和多样性。在本专利技术的第二步中，将初始伪标签用于训练贝叶斯网络，经过训练的网络能够预测出完整的变化图及不确定度，紧接着，基于不确定度感知的伪标签选择机制可挑选出新的伪标签用于下一次的网络训练。如此反复，网络的训练，测试和伪标签的挑选以迭代的形式进行，这使得伪标签不断地被优化，进而促进模型检测变化的能力不断地增强。最终，本专利技术能够检测几乎完整的强烈变化和微弱变化，抑制虚假的变化，还能够提供预测结果的不确定度用于决策辅助。
[0019]本专利技术的具体过程可描述如下：
[0020]第一步，初始伪标签的生成，在一个实施例中，Hermiston高光谱影像数据集包括双时相高光谱图像T1和T2，以及地面真值图。初始伪标签的生成如图2所示。
[0021]1)使用三种可用的预分类方法生成高质量的伪标签
[0022]本专利技术的三种预分类方法为变化向量分析方法、结构相似性方法和光谱解混方法。分别利用这三种预分类方法对T1和T2进行预分类，获得3个二值变化图，图中值为1代表对应区域有变化，值为0代表对应区域无变化。
[0023]首先，利用变化向量分析方法获得变化图。输入数据是双时相高光谱图像T1和T2，对T1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法，其特征在于，包括如下步骤：步骤1：针对双时相高光谱图像，利用高置信度空间约束伪标签生成策略，联合使用多个预分类方法和超像素分割，生成初始伪标签；步骤2：利用初始伪标签训练贝叶斯深度学习分类网络模型，然后测试所有像素，获得变化图和不确定度；利用基于不确定度感知的伪标签选择机制优化伪标签，直至模型收敛并输出最终的变化图。2.根据权利要求1所述利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法，其特征在于，所述步骤1，包括如下步骤：步骤1.1，对双时相高光谱图像T1和T2进行逐像素差分获取差异图X，表示为：X＝abs(T1‑
T2)；步骤1.2，分别利用3种预分类方法对双时相高光谱图像T1和T2进行预分类，获得3个二值变化图，图中值为1代表对应区域有变化，值为0代表对应区域无变化，所述3种预分类方法为变化向量分析方法、结构相似性方法和光谱解混方法；步骤1.3，将所述3个二值变化图融合为一个变化图，使得融合后的变化图有更高的可信度，并且既包含强烈变化又包含微弱变化；步骤1.4，对差异图X进行超像素分割实现空间约束，再依据分割结果，从逐个超像素中抽取若干像素并记录索引，根据索引从融合后的变化图中取值作为初始伪标签。3.根据权利要求2所述利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法，其特征在于，步骤1.2中，所述变化向量分析方法：将差异图X压缩至2维：其中，是X的第k个分量，k＝1,
…
,K，K为高光谱图像的光谱通道数，W为每个高光谱图像的空间宽度，H为每个高光谱图像的空间高度，对DI
cva
进行K
‑
means聚类即可得到变化向量分析方法的结果图，即1个二值变化图，表示为CM
cva
；所述结构相似性方法：设w1和w2为双时相高光谱图像T1和T2在一个光谱通道中同一空间位置的窗口，w1和w2的结构相似性指数S(w1,w2)的计算公式为：式中和是w1的均值和方差，和是w2的均值和方差，表示w1和w2之间的统计协方差，C1和C2是常数，用于避免分母为零的情况；将双时相高光谱图像T1和T2的结构相似性指数压缩至2维：
其中S
k
为第k个光谱通道的结构相似性指数，将S
HSI
转换为差异：DI
ssim
＝1
‑
S
HSI
对DI
ssim
进行K
‑
means聚类得到1个二值变化图，表示为CM
ssim
；所述光谱解混方法：采用线性光谱解混模型对差异图X进行解混，线性解混模型表示为：线性解混模型表示为：其中x为混合像素的光谱特征，m
e
为X中的第e个端元，α
e
表示相应的丰度图，即m
e
在所考虑的混合像素中的百分比，e＝1,
…
,E，E表示X中的端元数量，ε为噪声向量，端元的数量等于变化类别的数量；采用全约束最小二乘方法进行丰度图估计：设m1为不变端元，α1为相应的丰度图，m2，
…
，m
E
为变化端元，α2…
，α
E
为相应的丰度图；对所有丰度图进行阈值选择，得到1个二值变化图，表示为CM
unmix
。4.根据权利要求3所述利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法，其特征在于，所述光谱解混方法中，将阈值统一设置为0.5，基于解混的方法的二值变化图表示为：。5.根据权利要求3所述利用贝叶斯网络优化伪标签的无监督高光谱图像变化检测方法，其特征在于，所述步骤1.3，融合3个二值变化图的过程表示为：即，CM
cva
、CM
ssim
...

【专利技术属性】
技术研发人员：穆廷魁，李秋霞，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：