【技术实现步骤摘要】
本专利技术属于遥感图像，具体涉及一种无监督sar与光学图像变化检测方法。
技术介绍
1、遥感图像变化检测是一种通过比较不同时期的遥感影像来识别地表或地物的变化情况的技术。了解地表的变化情况对很多领域具有重要的意义，具体来说，可用于监测城市的扩张、土地利用变化和建筑物的增长来进行城市规划；监测森林砍伐、湿地退化、土地退化等环境变化，用以保护生态系统、评估环境风险；监测自然灾害(如洪水、地震、森林火灾)和人为灾害(如工业事故、油污泄漏)引起的损害，帮助应急响应机构进行快速反应和救援，并评估损失程度；监测和评估基础设施的变化，如道路、铁路、桥梁、电力线路等，对于基础设施规划、维护和更新来说有着至关重要的作用。随着遥感技术的快速发展，我们可以获取高分辨率、多光谱、多时相、多传感器和多个平台的遥感影像数据，这为遥感图像变化检测提供了大量的数据基础，同时多样化的遥感数据也推动着多源图像处理任务的发展。
2、在变化检测任务中，相比于同质遥感图像，异质遥感图像的获取手段更加灵活，可以从影像库中选择任意传感器或者平台获取的某地影像来检测变化情况，因此，在应急响应中常使用异质变化检测技术。此外，异质遥感图像成像机制不同，在某些场合下能够弥补单一传感器图像的不足，如在云雾天气或者夜晚，可见光传感器并不能拍摄到清晰的地物影像，而sar传感器能够全天候工作，综合利用两种传感器能够全面掌握地物情况。尽管异质图像变化检测有诸多优点，由于不同传感器和平台和成像差异大，同一地物在不同影像中差异巨大，为变化检测任务带来了极大的困难，传统的同质变化检测方
3、现有方法可以大致划分为四类：基于分类的方法，即先对图像的进行分类，然后对比双时图像类别是否一致；基于图像转换的方法，即通过图像转换到另一时相图像域或者相互转换，从而可以直接进行比较；基于特征空间对齐，即将异质图像投影到同一个特征空间进行比较；基于相似性度量，此类方法需要寻找一种鲁棒的图像结构表示方法，比较两个图像结构信息是否相似从而判断是否发生变化。已有的四类方法，需要设计复杂的代理任务或者特征表示方式。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种基于伪样本学习的无监督sar与光学图像变化检测方法，通过构建伪样本直接学习变化知识，不断提高伪样本集的质量，巩固和泛化学到的知识来提高网络的可靠性。首先构建伪样本集和真实样本训练集，再构建双分支u-net网络，然后对网络的伪样本学习分支和真实样本学习分支分别进行训练，若干次训练后，将双时图像分别输入到网络的两个编码器中，解码器输出变化概率图，最后使用加权融合的方法融合三个概率图，再进行阈值分割，得到最终的检测二值图。本专利技术通过构造变化区域构建了有标签数据集用来训练网络，避免了传统无监督变化检测方法复杂的特征设计，简化了训练流程。
2、本专利技术解决其技术问题所采用的技术方案包括如下步骤：
3、步骤1：构建伪样本集；
4、步骤1-1：构建粘贴库；
5、对选中的时相进行无监督分类，将整个图像的像素分成c类；使用滤波核大小为k的中值滤波对分类值进行滤波，然后全图进行滑动窗口的方式搜索，每个位置包括大中小三种窗口尺寸；只要窗口内某个类别大于阈值tbank就加入到相应的库中，最后将得到一个具有c个类别的粘贴库，每个类别包括不同尺寸的多个粘贴片；
6、步骤1-2：筛选样本；
7、将数据集划分为patch块作为基本训练图像，通过计算先验变化图中变化像素数量是否小于阈值tunch筛选用来构建伪样本集的patch；
8、步骤1-3：选择粘贴区域和粘贴片；
9、随机选择位置、尺寸和粘贴的形状来生成粘贴区域，选择粘贴区域内类别一致性超过阈值tpasted的区域；
10、计算粘贴区域内的像素中心，选择距离其最远的c个类别中的任意粘贴片；
11、粘贴完粘贴片后，先验变化图相应的位置也会被设置为1作为变化类，从而得到了伪样本的标签；
12、步骤2：构建真实样本训练集；
13、从所有patch中随机选择和伪样本集数量相等的patch，使用cut-mix的强数据增强方式将对应的伪样本中的随机区域粘贴到真实样本中，同时粘贴两个时相和标签；
14、步骤3：搭建网络结构；
15、使用双分支u-net网络，其中解码器为不共享参数的双分支结构，分别用来提取双时相的图像特征，两个编码器结构相同，解码器只进行一次下采样；在卷积模块中加入dropout；两个编码器的各层次特征相减并取绝对值，并输入到解码器中，其中第一组特征图通过跳跃连接输入到解码器，该过程保持和u-net一致；最后一组特征图以标签为掩码进行池化，得到两个特征向量：分别表示变化与不变；在掩码池化的时候用双线性插值将标签缩小为特征图的尺寸；
16、步骤4：伪样本学习分支；
17、在伪样本学习分支使用一个权重衰减伪样本学习分支损失，设置权重线性增加，其损失lp为：
18、
19、其中ce(·)表示交叉熵损失，cprior表示先验图中发生变化的区域，yp表示伪样本集的标签，表示预测值；α表示系数；i、j表示对应区域中的像素；
20、步骤5：真实样本学习分支；
21、真实样本学习分支和伪样本学习分支并行训练，共享网络参数；真实样本学习分支通过全图推理的先验变化图作为标签并使用交叉熵损失进行监督；该分支使用任意的patch进行训练，其损失lr为：
22、
23、其中yr为先验标签；
24、步骤6：对比特征学习；
25、采用对比损失约束不同分支和不同类别特征之间的距离；
26、根据标签对编码结果进行掩码池化，每个训练分支得到变化和不变化两个特征向量；对特征的距离度量函数采用余弦相似度，四个特征向量能得到下面四个距离关系。
27、
28、
29、
30、其中d(·,·)表示余弦相似度，表示未变化区域的类内相似性，表示变化区域的类内相似性，表示伪样本学习支路的类间差异性，表示真实样本学习支路的类间差异性；
31、对变化类和不变化类分别维护一个原型向量，每次迭代得到的新的特征向量都会通过平均的方式更新原型向量；
32、步骤7：总训练损失l如下；
33、
34、
35、其中，β为权重；
36、步骤8：推理过程；
37、若干次训练后，将双时图像分别输入到网络的两个编码器中，最后解码器输出变化概率图p1；以0.5为阈值对p1进行二值化，新的变化图将会更新先验变化图，进行继续训练，直到达到指定迭代次数。
38、训练完毕后，在推理流程中分别使用变化和不变原型向量与编码器编本文档来自技高网...
【技术保护点】
1.一种基于伪样本学习的无监督SAR与光学图像变化检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于伪样本学习的无监督SAR与光学图像变化检测方法，其特征在于，所述e为当前轮次，emax为最大训练轮次；
3.根据权利要求1所述的一种基于伪样本学习的无监督SAR与光学图像变化检测方法，其特征在于，所述C为5，K为7，Tunch为0.01，c为3。
4.根据权利要求1所述的一种基于伪样本学习的无监督SAR与光学图像变化检测方法，其特征在于，所述λ1,λ2,λ3分别为0.7、0.2、0.1。
【技术特征摘要】
1.一种基于伪样本学习的无监督sar与光学图像变化检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于伪样本学习的无监督sar与光学图像变化检测方法，其特征在于，所述e为当前轮次，emax为最大训练轮次；
3.根据权利要求1所述的一...
【专利技术属性】
技术研发人员：邢颖慧，张琪，张秀伟，尹翰林，张艳宁，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。