一种基于全局学习的高光谱影像多类别变化检测方法技术

本发明专利技术涉及一种基于全局学习的高光谱影像多类别变化检测方法，包括以下步骤：S1，获取同一地理区域的双时相高光谱影像，并对两幅高光谱影像进行标准化预处理；S2，将两幅高光谱影像的对应像素沿光谱通道维进行拼接，得到一幅联合高光谱影像，构建随机分层样本序列，生成全局样本集；S3，构建基于编码

【技术实现步骤摘要】
一种基于全局学习的高光谱影像多类别变化检测方法


[0001]本专利技术涉及图像处理
，尤其涉及一种基于全局学习的高光谱影像多类别变化检测方法。

技术介绍

[0002]高光谱影像具有光谱分辨率高、图谱合一的独特优势，能够提供丰富且连续的地球表面信息，从而大幅度提高地物种类识别的精细度和准确度。因此被应用在地球科学的各个方面。高光谱图像数据在城市规划、环境监测、植被调查、军事侦察、资源调查、农业遥感、海洋监测等领域取得了显著成效。
[0003]遥感影像变化检测是指通过对覆盖在同一地理区域的多时相遥感图像的处理与分析，实现地表变化信息的解译。常规的高光谱影像变化检测主要指二值变化检测，即仅检测像元是否发生变化。然而，探究像元内部地物组分发生何种类型变化的多类别变化检测任务更具现实意义。例如，在农林监测、土地利用调查等研究中，需要统计各类别新增、消失的信息，探究变化类别间的相互转化关系，从而完成地表变化态势的全面分析。
[0004]中国专利公开号：CN116229174A，公开了一种基于空谱联合注意力机制的高光谱多类变化检测方法，首先提取两幅同一区域不同时间的高光谱图像样本，接着将高光谱图像样本进行差分以获得高光谱变化图像，并选取训练样本构建张量块，随后从多个不同的方向对每个变化张量进行提取光谱以及提取空间特征操作，再将提取到的光谱以及空间特征进行融合，并训练空谱联合注意力网络，获得对应的网络模型参数。由此可见，所述高光谱影像存在以下问题：局部学习架构中，相邻图像块之间像元的大面积重叠会导致冗余计算，减慢影像的推理速度。

技术实现思路

[0005]为此，本专利技术提供一种基于全局学习的高光谱影像多类别变化检测方法，用以克服现有技术中影像的推理速度的问题。
[0006]为实现上述目的，本专利技术提供一种基于全局学习的高光谱影像多类别变化检测方法，包括以下步骤：
[0007]步骤S1，获取待变化检测区域的双时相高光谱影像，对待处理的样本数据进行标准化预处理操作；
[0008]步骤S2，将两幅高光谱影像同一位置的对应像素沿光谱通道维进行拼接，得到一幅联合高光谱影像，构建分层样本序列，生成全局样本集，并按比例随机选出部分样本构成训练集；
[0009]步骤S3，构建基于编码
‑
解码结构的全卷积网络的高光谱影像变化检测模型；
[0010]步骤S4，将训练集样本输入至构建的高光谱影像变化检测网络中进行训练，直至网络收敛，完成高光谱影像变化检测网络的训练；
[0011]步骤S5，将待检测的联合高光谱影像输入至已训练的高光谱影像变化检测模型
中，预测变化检测结果。
[0012]进一步地，在步骤S1中对两幅高光谱影像进行预处理；
[0013]所述预处理过程为：对于所述待处理的样本数据，随波段变化逐一进行光谱平均值和标准差的计算，使得所述待处理样本数据符合标准正态分布。
[0014]进一步地，在步骤S2中，利用联合高光谱影像构建随机分层样本序列；
[0015]所述具体步骤为：将整幅联合影像按特定比例随机选取训练样本构成训练集，具有标签的样本按相应的比例α划分成不同的样本列表，形成的1/α个样本列表，即为一个随机的分层样本序列。
[0016]进一步地，在步骤S3中,构建基于全卷积网络的高光谱影像变化检测模型的过程为：
[0017]步骤S3.1，构建基于编码
‑
解码结构的全卷积网络的基线模型；
[0018]步骤S3.2，在编码器和解码器之间引入全局空间注意力机制，使得模型能够自适应地建立整幅影像的全局空间位置依赖关系；
[0019]步骤S3.3，利用语义特征增强模块削弱不变的区域背景对变化的区域前景的影响。
[0020]进一步地，在步骤S3.1中,所述编码器网络和所述解码器网络均为唯一一个，两者共同构成全卷积网络，所述全卷积网络的输入为整幅的联合高光谱影像的分层采样序列，所述全卷积网络的输出为与输入图像空间尺寸相同的变化概率图；
[0021]所述编码器网络由一个主干模块和四个拓扑结构相同的混合模块构成，所述主干模块由一个卷积核尺寸为3*3的卷积层、群组归一化和ReLU激活函数构成，所述混合模块由一个基础模块和一个下采样模块构成，所述基础模块与主干模块的网络结构保持一致，所述下采样模块由步长为2、尺寸为3*3的卷积层构成；
[0022]解码器网络由三个上采样模块和一个变化检测子网络构成，所述上采样模块由一个尺寸为3*3的卷积层和系数为2的最近邻插值构成；网络末端的子网络由尺寸为3*3卷积层及一个带有N个卷积核的尺寸为1*1卷积层构成，其中，N代表变化类别的数量。
[0023]进一步地，在步骤S3.2中，所述全局空间注意力机制具体为：
[0024][0025][0026]其中，A表示全局特征张量，其中，A＝{(A
ij
|1≤i≤H，1≤j≤W)}来表示一个尺寸为H
×
W
×
C的特征张量，H和W表示空间维度，A
ij
表示特征张量中位置(i，j)处像元的特征向量；
[0027]B是A通过尺寸为1*1的卷积运算生成的新特征张量，其中，B＝{(B
ij
|1≤i≤H，1≤j≤W)}来表示一个尺寸为H
×
W
×
C的特征张量，其中H和W表示空间维度，Bi表示特征张量中属于位置i处的W个像元的特征张量，B
ij
表示特征张量中(i，j)位置处像元的特征向量；
[0028]C是A通过尺寸为1*1的卷积运算生成的新特征张量，其中，C＝{(C
ij
|1≤i≤H，1≤j≤W)}来表示一个尺寸为H
×
W
×
C的特征张量，其中H和W表示空间维度，C
j
表示特征张量中属于位置j处的H个像元的特征张量，C
ij
表示特征张量中(i，j)位置处像元的特征向量；
[0029]D为A通过尺寸为1*1的卷积运算生成的新特征张量，其中，D＝{(D
ij
|1≤i≤H，1≤j
≤W)}来表示一个尺寸为H
×
W
×
C的特征张量，其中H和W表示空间维度，D
i
表示特征张量中属于位置i处的H个像元的特征张量，D
ij
表示特征张量中(i，j)位置处像元的特征向量；
[0030]s
ji
为模型训练而变化的变量，其用于衡量位置i对位置j的影响，最终网络收敛时，达到最优效果；
[0031]β为计算参数，其初始化设置为0，根据网络训练轮数而改变，最终网络收敛时，达到最优效果；
[0032]E为产生的结果特征图，其是所有全局特征张量A在空间位置的加权和。其中，E＝{(E
ij
|1≤i≤H，1≤j≤W)}来表示一个尺寸为H...

【技术保护点】

【技术特征摘要】
1.一种基于全局学习的高光谱影像多类别变化检测方法，其特征在于，包括以下步骤：步骤S1，获取待变化检测区域的双时相高光谱影像，对待处理的样本数据进行标准化预处理操作；步骤S2，将两幅高光谱影像同一位置的对应像素沿光谱通道维进行拼接，得到一幅联合高光谱影像，构建分层样本序列，生成全局样本集，并按比例随机选出部分样本构成训练集；步骤S3，构建基于编码
‑
解码结构的全卷积网络的高光谱影像变化检测模型；步骤S4，将训练集样本输入至构建的高光谱影像变化检测网络中进行训练，直至网络收敛，完成高光谱影像变化检测网络的训练；步骤S5，将待检测的联合高光谱影像输入至已训练的高光谱影像变化检测模型中，预测变化检测结果。2.根据权利要求1所述的基于全局学习的高光谱影像多类别变化检测方法，其特征在于，在步骤S1中对两幅高光谱影像进行预处理；所述预处理过程为：对于所述待处理的样本数据，随波段变化逐一进行光谱平均值和标准差的计算，使得所述待处理样本数据符合标准正态分布。3.根据权利要求2所述的基于全局学习的高光谱影像多类别变化检测方法，其特征在于，在步骤S2中，利用联合高光谱影像构建随机分层样本序列；所述具体步骤为：将整幅联合影像按特定比例随机选取训练样本构成训练集，具有标签的样本按相应的比例α划分成不同的样本列表，形成的1/α个样本列表，即为一个随机的分层样本序列。4.根据权利要求3所述的基于全局学习的高光谱影像多类别变化检测方法，其特征在于，在步骤S3中,构建基于全卷积网络的高光谱影像变化检测模型的过程为：步骤S3.1，构建基于编码
‑
解码结构的全卷积网络的基线模型；步骤S3.2，在编码器和解码器之间引入全局空间注意力机制，使得模型能够自适应地建立整幅影像的全局空间位置依赖关系；步骤S3.3，利用语义特征增强模块削弱不变的区域背景对变化的区域前景的影响。5.根据权利要求4所述的基于全局学习的高光谱影像多类别变化检测方法，其特征在于，在步骤S3.1中，所述编码器网络和所述解码器网络均为唯一一个，两者共同构成全卷积网络，所述全卷积网络的输入为整幅的联合高光谱影像的分层采样序列，所述全卷积网络的输出为与输入图像空间尺寸相同的变化概率图；所述编码器网络由一个主干模块和四个拓扑结构相同的混合模块构成，所述主干模块由一个卷积核尺寸为3*3的卷积层、群组归一化和R
e
LU激活函数构成，所述混合模块由一个基础模块和一个下采样模块构成，所述基础模块与主干模块的网络结构保持一致，所述下采样模块由步长为2、尺寸为3*3的卷积层构成；解码器网络由三个上采样模块和一个变化检测子网络构成，所述上采样模块由一个尺寸为3*3的卷积层和系数为2的最近邻插值构成；网络末端的子网络由尺寸为3*3卷积层及一个带有N个卷积核的尺寸为1*1卷积层构成，其中，N代表变化类别的数量。6.根据权利要求5所述的基于全局学习的高光谱影像多类别变化检测方法，其特征在于，在步骤S3.2中，所述全局空间注意力机制具体为：
其中，A表示全局特征张量，其中，A＝{(A
ij
|1≤i≤H，1≤j≤W)}来表示一个尺寸为H
×
W
×
C的特征张量，H和W表示空间维...

【专利技术属性】
技术研发人员：王丽凤，张军国，王立国，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：