【技术实现步骤摘要】
本专利技术属于遥感图像处理和变化检测领域，尤其涉及一种基于动态熵驱动与协同增强网络的遥感图像变化检测方法。
技术介绍
1、变化检测旨在通过对比不同时期获取的地理空间数据，精准识别地球表面或特定目标的变化。这项技术在监测地表动态方面至关重要，已广泛应用于环境监测、城市规划、灾害响应、农业监控和森林保护等领域。高光谱成像技术能够在宽光谱范围内捕捉物体或地表材料的微小差异，从而显著提升变化检测的精度和灵敏度。
2、深度学习通过模拟人类视觉系统的层次化工作模式，构建了具有层次结构的深度网络模型，在高光谱图像变化检测领域展现了出色的性能。2020年，seydi等人提出了一种新颖的端到端卷积神经网络，该网络结合了1d、2d和3d卷积来优化特征提取，从而获得了优异的检测效果。这主要得益于cnn模型通过局部连接和权值共享，能够有效提取空间特征，同时大幅减少网络训练参数。随后，许多学者基于cnn提出了一系列改进模型。为了应对尺度单一的问题，li等人和luo等人分别在2022年和2023年提出了多尺度卷积方法，用以提取双时相高光谱图像的特征，并将浅层与深层特征进行融合，从而检测出图像中的微小变化信息，取得了显著的效果。为了解决cnn中的局部感受野限制，2022年，chen等人将transformer架构引入变化检测领域，从而捕捉到图像中的长期依赖关系，进一步提升了检测性能。song等人采用三种transformer网络架构去学习高光谱图像的时空谱信息，获得了较好的性能。
3、尽管上述深度学习网络能够从数据中自动学习空间和光谱
4、因此，亟需一种新的遥感图像变化检测方法，以解决上述问题。
技术实现思路
1、本专利技术的目的是克服现有技术中的不足，提供一种基于动态熵驱动与协同增强网络的遥感图像变化检测方法。
2、这种基于动态熵驱动与协同增强网络的遥感图像变化检测方法，包括以下步骤：
3、步骤一、将双时相高光谱数据分割为多个样本，并划分为训练集和测试集；
4、步骤二、构建深度学习网络，通过动态熵驱动的差异提取器提取双时相高光谱图像之间的差异特征；通过时序协同强化器生成双时相高光谱图像增强后的协同特征；
5、步骤三、将差异特征和协同特征输入到多尺度特征优化与集成器中，进行特征筛选与融合处理；将融合后的特征送入分类器中，以生成检测结果，保存训练后的模型参数；
6、步骤四、将训练集样本输入网络中以获得预测结果，接着计算动态熵驱动与协同增强网络预测器的总体准确率，更新网络参数；重复步骤二至步骤四，直至迭代次数达到要求；
7、步骤五、将测试集样本输入最终的深度特征提取网络模型，输出检测后的样本结果。
8、作为优选，步骤二中，提取双时相高光谱图像之间的差异特征的计算方法具体为，先将双时像高光谱图像块相减，投入动态熵驱动的差异提取器中，进行特征提取，将特征经过一个线性映射层后展平，加入位置编码。
9、作为优选，步骤二中，用概率表示整个通道中每个像素值的比例，计算的熵值，获得变化信息的注意力图；通过残差链接，进行更加深层次的特征的学习，将学习到的特征送入通道增强模块。
10、作为优选，步骤二中，通过时序协同强化器对双时相高光谱图像进行时序协同强化，时序协同强化的特征聚焦包括以下步骤，将双时相高光谱图像的特征经过线性层得到q,k,v，采用特征集中的结构，将相邻向量推进其最近的特征，通过保范映射调整每个查询的方向与关键特征的方向，使相似的q,v对接近，不相似的q,v对分开，得到双时相高光谱图像增强后的协同特征。
11、作为优选，步骤三中，将步骤二中得到的差异特征和协同特征中的每个元素输入多尺度特征优化与集成器，依次经过遗忘层和输入层，随后将遗忘层与输入层的特征进行融合。
12、本专利技术的有益效果是：
13、1)本专利技术所建立的基于动态熵驱动与协同增强网络的遥感图像变化检测模型，适用于高光谱遥感图像的变化检测，采用了动态熵驱动的差异特征提取的方法提取双时图像的差异特征；其中动态熵驱动的方法是根据高光谱差异特征而设计的，根据差异特征的波动量的大小而赋予不同的值，提高了高光谱变化检测的性能。
14、2)本专利技术基于协同增强网络的双时图像协同特征的提取采用了交互聚合的方式，利用双时高光谱图像的特征，提取协同特征的同时，增强了差异特征，经过公共高光谱变化检测数据集上进行的实验，就目前所掌握的资料，本专利技术提出的变化检测方法优于已有的高光谱变化检测方法。
本文档来自技高网...【技术保护点】
1.一种基于动态熵驱动与协同增强网络的遥感图像变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态熵驱动与协同增强网络的遥感图像变化检测方法，其特征在于，步骤二中，提取双时相高光谱图像之间的差异特征的计算方法具体为，先将双时像高光谱图像块相减，投入动态熵驱动的差异提取器中，进行特征提取，将特征经过一个线性映射层后展平，加入位置编码。
3.根据权利要求2所述的基于动态熵驱动与协同增强网络的遥感图像变化检测方法，其特征在于，步骤二中，用概率表示整个通道中每个像素值的比例，计算的熵值，获得变化信息的注意力图；通过残差链接，进行更加深层次的特征的学习，将学习到的特征送入通道增强模块。
4.根据权利要求1所述的基于动态熵驱动与协同增强网络的遥感图像变化检测方法，其特征在于，步骤二中，通过时序协同强化器对双时相高光谱图像进行时序协同强化，时序协同强化的特征聚焦包括以下步骤，将双时相高光谱图像的特征经过线性层得到Q,K,V，采用特征集中的结构，将相邻向量推进其最近的特征，通过保范映射调整每个查询的方向与关键特征的方向，使相似的Q,V对接
5.根据权利要求1所述的基于动态熵驱动与协同增强网络的遥感图像变化检测方法，其特征在于，步骤三中，将步骤二中得到的差异特征和协同特征中的每个元素输入多尺度特征优化与集成器，依次经过遗忘层和输入层，随后将遗忘层与输入层的特征进行融合。
...【技术特征摘要】
1.一种基于动态熵驱动与协同增强网络的遥感图像变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于动态熵驱动与协同增强网络的遥感图像变化检测方法，其特征在于，步骤二中，提取双时相高光谱图像之间的差异特征的计算方法具体为，先将双时像高光谱图像块相减，投入动态熵驱动的差异提取器中，进行特征提取，将特征经过一个线性映射层后展平，加入位置编码。
3.根据权利要求2所述的基于动态熵驱动与协同增强网络的遥感图像变化检测方法，其特征在于，步骤二中，用概率表示整个通道中每个像素值的比例，计算的熵值，获得变化信息的注意力图；通过残差链接，进行更加深层次的特征的学习，将学习到的特征送入通道增强模块。
4.根据权...
【专利技术属性】
技术研发人员：孙伟伟，彭江涛，陈镔捷，孟祥超，杨刚，吴岚昕，
申请(专利权)人：宁波大学，
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。