基于无监督光谱解混神经网络的高光谱图像变化检测方法技术

本发明专利技术为解决现有无监督变化检测算法主要是基于光谱的代数变换和光谱解混存在对具有混合像元的高光谱数据中表现不佳和适用性限制较大的技术问题，而提供一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。包括以下步骤：1、对两个不同时相的高光谱图像进行切分与混合，得到高光谱图像块数据，将其作为训练数据集；2、构建光谱解混网络，生成带有图像特征的端元矩阵和丰度矩阵；3、根据端元矩阵和丰度矩阵重构高光谱图像块数据，选择重构误差训练光谱解混网络；4、基于完成训练的光谱解混网络，根据丰度矩阵生成模块输出的丰度矩阵生成变化灰度图；5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。果。果。

【技术实现步骤摘要】
基于无监督光谱解混神经网络的高光谱图像变化检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。

技术介绍

[0002]变化检测是一种旨在识别同一地理区域在不同观测时间发生的变化的检测方法。其在城市规划、环境监测、精度农业等领域有着十分重要的作用。近年来，随着高光谱遥感技术的发展，得益于更高的光谱分辨率，利用高光谱遥感图像进行变化检测能获取更佳的检测效果。
[0003]受深度学习发展的影响，许多基于卷积神经网络的变化检测算法被提出，如早期的基于端到端的全连接融合网络（Fully Convolutional Early Fusion，FC
‑
EF）变化检测算法。此外，为了提高变化特征提取的能力，残差网络、U型网络（U
‑
Net）、三维卷积等方法也逐渐应用在变化检测领域。然而，大部分基于卷积网络的算法是有监督算法，需要预先知道变化真值，且应用场景单一，难以将算法推广到实际应用中。
[0004]传统的无监督变化检测算法主要是基于光谱的代数变换，将光谱数据转换到新的变量空间进行变化检测，如迭代权重多元变化检测算法（Iteratively ReweightedMultivariate Alteration Detection，IR
‑
MAD）、基于主成分分析的变化向量分析法、基于正交子空间投影的变化检测算法（Subspace
‑
based Change Detection,SCD）及基于慢特征分析的变化检测算法等。然而这些方法都是基于像素级的变化检测，在针对具有混合像元的高光谱数据中表现不佳。
[0005]针对变化检测中混合像元的问题，近年来，有人提出了基于光谱解混的变化检测算法来获得亚像素级的变化信息。但由于其需要提前准备与检测图像中的地物类型相近的光谱库才能得到较好的效果，因此与传统的无监督算法相比，其在适用性上也受到了很大的限制。
[0006]因此需要一种能够解决混合像元且适用性广泛的高光谱变化检测算法，而现有的方法难以满足该要求。

技术实现思路

[0007]本专利技术的目的是解决现有无监督变化检测算法主要是基于光谱的代数变换和光谱解混存在对具有混合像元的高光谱数据中表现不佳和适用性限制较大的技术问题，而提供一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。
[0008]为达到上述目的，本专利技术采用的技术方案为：一种基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特殊之处在于，包括以下步骤：步骤1、获取两幅不同时相且形状均为R
×
C
×
P的高光谱图像X1和X2，对其分别进行切分与混合，得到若干个形状为H
×
W
×
P的高光谱图像块，将其光谱信息作为训练数据集；
其中，R为高光谱图像的行数，C为高光谱图像的列数，P为谱段数；H为切分后高光谱图像块的行数，W为切分后高光谱图像块的列数；H＜R，W＜C；步骤2、构建光谱解混网络，并利用训练数据集的训练数据生成带有图像特征的丰度矩阵和端元矩阵；步骤3、根据带有图像特征的丰度矩阵和端元矩阵通过重构模块得到重构的高光谱图像块数据，选择重构误差作为损失函数训练光谱解混网络；步骤4、基于完成训练的光谱解混网络，根据丰度矩阵生成变化灰度图；步骤5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。
[0009]进一步地，步骤2具体为：2.1、构建光谱解混网络：所述光谱解混网络包括编码模块、丰度矩阵生成模块、端元矩阵生成模块及重构模块；所述编码模块的输入端用于接收切分后的高光谱图像块数据，编码模块的输出端与丰度矩阵生成模块和端元矩阵生成模块的输入端均连接，丰度矩阵生成模块和端元矩阵生成模块的输出端均与重构模块的输入端相连；所述编码模块用于初步提取高光谱图像的图像特征和数据预处理；所述丰度矩阵生成模块用于提取输入的高光谱图像块的图像特征，生成高光谱图像的丰度矩阵；所述端元矩阵生成模块用于生成高光谱图像的端元矩阵；所述重构模块用于根据端元矩阵和带有图像特征的丰度矩阵重构出高光谱图像块；2.2、利用训练数据生成端元矩阵和丰度矩阵：将步骤1获得的训练数据集输入到光谱解混网络中，分别通过丰度矩阵生成模块和端元矩阵生成模块训练得到带有图像特征的丰度矩阵和端元矩阵。
[0010]进一步地，步骤4具体为：4.1、将不同时相的高光谱图像X1和X2在行方向进行组合，合成一幅高光谱图像X，高光谱图像X的形状为2R
×
C
×
P，并将其光谱数据输入到已训练好的光谱解混网络中；4.2、经过学习获得丰度矩阵生成模块生成的丰度矩阵A，其形状为2RC
×
N，则高光谱图像X1对应的丰度矩阵A1为丰度矩阵A的前RC行，高光谱图像X2对应的丰度矩阵A2为丰度矩阵A的后RC行，即；4.3、计算高光谱图像X1和X2丰度矩阵差A1‑
A2，并在列方向求和得到形状为RC
×
1的灰度向量；4.4、进行归一化处理，将灰度向量结果的范围缩放到0~1，并对灰度向量进行形状变换，得到形状为R
×
C的高光谱图像X1和X2之间的变化灰度图。
[0011]进一步地，步骤5具体为：采用阈值分割算法对变化灰度图进行分割得到变化灰度图的全局阈值T，对变化灰度图中大于等于T的像素赋值为1，其余像素赋值为0，得到二值化灰度变化图，即二值化变化图中值为1的像素点代表该像素发生了变化，为0则表示该像素没有发生变化，完成高光谱图像变化的检测。
[0012]进一步地，步骤2中：
所述编码模块包括依次连接的卷积层、LeakyRelu激活层和第一形状变换单元；卷积层的卷积核大小为3
×
3，卷积核个数为P；所述丰度矩阵生成模块包括至少一层全连接层，且最后一层全连接层的输出节点数为N，N≤P；所述端元矩阵生成模块包括并行的两路提取特征通道以及依次连接的第一矩阵乘法单元和Softmax激活层；其中一路提取特征通道包括一层全连接，另一路包括依次连接的至少一层全连接层和转置单元，且最后一层全连接层的输出节点数为N；两路提取特征通道的输出端均与第一矩阵乘法单元连接；所述重构模块包括依次连接的第二矩阵乘法单元和第二形状变换单元。
[0013]进一步地，步骤1中，分别将高光谱图像X1和X2按照步长为8、空间大小为32
×
32进行切分。
[0014]进一步地，步骤3中，所述重构误差为输入高光谱图像块数据与重构的高光谱图像块数据的均方根误差；所述损失函数为： 其中x
(i,j)
为输入高光谱图像块数据中位置在(i,j)处像素的光谱向量，y
(i,j)
为重构的高光谱图像块数据中位置在(i,j)处像素的光谱向量。
[0015]进一步地，步骤2中，所述丰度矩阵生成模块包括两层全连接层；所述N=20。
[0016]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，包括以下步骤：步骤1、获取两幅不同时相且形状均为R
×
C
×
P的高光谱图像X1和X2，对其分别进行切分与混合，得到若干个形状为H
×
W
×
P的高光谱图像块，将其光谱信息作为训练数据集；其中，R为高光谱图像的行数，C为高光谱图像的列数，P为谱段数；H为切分后高光谱图像块的行数，W为切分后高光谱图像块的列数；H＜R，W＜C；步骤2、构建光谱解混网络，并利用训练数据集的训练数据生成带有图像特征的丰度矩阵和端元矩阵；步骤3、根据带有图像特征的丰度矩阵和端元矩阵通过重构模块得到重构的高光谱图像块数据，选择重构误差作为损失函数训练光谱解混网络；步骤4、基于完成训练的光谱解混网络，根据丰度矩阵生成变化灰度图；步骤5、利用阈值分割算法对变化灰度图二值化，得到最终高光谱图像变化检测结果。2.根据权利要求1所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，步骤2具体为：2.1、构建光谱解混网络：所述光谱解混网络包括编码模块、丰度矩阵生成模块、端元矩阵生成模块及重构模块；所述编码模块的输入端用于接收切分后的高光谱图像块数据，编码模块的输出端与丰度矩阵生成模块和端元矩阵生成模块的输入端均连接，丰度矩阵生成模块和端元矩阵生成模块的输出端均与重构模块的输入端相连；所述编码模块用于初步提取高光谱图像的图像特征和数据预处理；所述丰度矩阵生成模块用于提取输入的高光谱图像块的图像特征，生成高光谱图像的丰度矩阵；所述端元矩阵生成模块用于生成高光谱图像的端元矩阵；所述重构模块用于根据端元矩阵和带有图像特征的丰度矩阵重构出高光谱图像块；2.2、利用训练数据生成端元矩阵和丰度矩阵：将步骤1获得的训练数据集输入到光谱解混网络中，分别通过丰度矩阵生成模块和端元矩阵生成模块训练得到带有图像特征的丰度矩阵和端元矩阵。3.根据权利要求2所述的基于无监督光谱解混神经网络的高光谱图像变化检测方法，其特征在于，步骤4具体为：4.1、将不同时相的高光谱图像X1和X2在行方向进行组合，合成一幅高光谱图像X，高光谱图像X的形状为2R
×
C
×
P，并将其光谱数据输入到已训练好的光谱解混网络中；4.2、经过学习获得丰度矩阵生成模块生成的丰度矩阵A，其形状为2RC
×
N，则高光谱图像X1对应的丰度矩阵A1为丰度矩阵A的前RC行，高光谱图像X...

【专利技术属性】
技术研发人员：胡炳樑，刘松，李海巍，陈军宇，张耿，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：