CN110827330A - 一种时序集成的多光谱遥感图像变化检测方法及*** - Google Patents
一种时序集成的多光谱遥感图像变化检测方法及*** Download PDFInfo
- Publication number
- CN110827330A CN110827330A CN201911050841.2A CN201911050841A CN110827330A CN 110827330 A CN110827330 A CN 110827330A CN 201911050841 A CN201911050841 A CN 201911050841A CN 110827330 A CN110827330 A CN 110827330A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- change detection
- deep learning
- learning network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008859 change Effects 0.000 title claims abstract description 93
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000013135 deep learning Methods 0.000 claims abstract description 35
- 230000010354 integration Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了图像处理技术领域的一种时序集成的多光谱遥感图像变化检测方法及***，由于集成了不同时序的网络输出，从而使得双时相多光谱遥感影像的最终变化检测结果更加可靠、稳健，包括：对多光谱遥感图像进行预处理并计算多光谱遥感图像的变化矢量幅值；计算变化矢量幅值的最优分割阈值，根据最优分割阈值及均值滤波确定伪标记样本集；构建基于时序集成的深度学习网络；通过伪标记样本集对深度学习网络进行训练；将不同时相的多光谱图像输入训练好的深度学习网络获取最终检测结果。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种时序集成的多光谱遥感图像变化检测方法及***。
背景技术
遥感影像的变化检测就是从多时相遥感数据中，定量地分析和确定地表变化的特征与过程。从而为决策管理部门提供诸如土地规划、自然灾害监测等方面的信息。变化检测分为三个大类：非监督变化检测算法、半监督变化检测算法和监督变化检测算法。由于非监督变化检测算法无需训练样本，加之建模过程无需先验知识，因此该类算法获得了广泛的应用。非监督变化检测算法一般先构建两个时相的差异影像，进而对差异影像进行处理得到变化检测结果。常规的变化检测方法有变化矢量分析法(Change Vector Analysis，CVA)、基于多元变化检测算法、基于无向图的变化检测算法(包括MRF、CRF等)等。基于深度学习的非监督变化检测建模中，无需像常规的变化检测方法构建差异影像，直接利用两个时相影像的深度信息，更加有利于刻画不同影像间的变化信息，其在多时相变化检测领域应用具有优势。
西安电子科技大学在其申请的专利“基于无监督深度神经网络的SAR图像变化检测”(专利申请号：201410818305.3，公开号：CN104517124A)中以及发表的“Changedetection in synthetic aperture radar images based on deep neural networks.(IEEE Transactions on Geoscience and Remote Sensing,2016,27(1):125-137.)中提出了一种基于无监督DBN神经网络的SAR图像变化检测。该方法主要针对多时相的雷达影像，其对伪标签的样本选择依据FCM算法，样本的可靠性不高。
西安电子科技大学的公茂果在论文A Generative Discriminatory ClassifiedNetwork for Change Detection in Multispectral Imagery.(IEEE Journal ofSelected Topics in Applied Earth Observations and Remote Sensing,2019,12(1):321-333.)中提出一种生成对抗网络检测方法(GAN)多光谱变化检测方法。该方法首先根据CVA技术及大津阈值法共同选择伪标记样本，在生成对抗网络的训练中，三类数据：伪标记样本、非伪标记样本和以及产生的“假”数据共同训练网络，最后依据训练好的判别网络获取最终的变化检测结果。该方法的不足之处是网络的训练容易陷入模式坍塌。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种时序集成的多光谱遥感图像变化检测方法及***，由于集成了不同时序的网络输出，从而使得双时相多光谱遥感影像的最终变化检测结果更加可靠、稳健。
为达到上述目的，本发明所采用的技术方案是：一种时序集成的多光谱遥感图像变化检测方法，包括：
a、对多光谱遥感图像进行预处理并计算多光谱遥感图像的变化矢量幅值；
b、计算变化矢量幅值的最优分割阈值，根据最优分割阈值及均值滤波确定伪标记样本集；
c、构建基于时序集成的深度学习网络；
d、通过伪标记样本集对深度学习网络进行训练；
e、将不同时相的多光谱图像输入训练好的深度学习网络获取最终检测结果。
所述预处理是利用多元变化检测方法对多光谱遥感图像进行归一化校正。
所述变化矢量幅值通过以下公式计算：
其中：XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；(i,j)表示遥感影像的坐标；b表示波段的序号；X1b(i,j)表示前一时相第b波段影像(i,j)处的像素值；X2b(i,j)表示后一时相第b波段影像(i,j)处的像素值。
依据Bayes最小误差准则，并基于最大期望算法求解变化矢量幅值的最优分割阈值。
所述步骤c包括：
ca、在输入层，对输入的训练样本添加均值为0，标准差为0.05的高斯噪声；
cb、构建第一卷积层
cc、构建局部窗口尺寸为3×3第一池化层；
cd、对步骤c的结果接修正线性单元ReLU激活函数；
cd、构建第二卷积层；
ce、构建局部窗口尺寸为3×3第二池化层；
cf、对步骤e的结果接修正线性单元ReLU激活函数；
cg.使用随机失活优化方法Dropout，使得第二池化层的神经元在每次迭代训练时会随机有50％的可能性被丢弃；
ch.构建全连接层。
所述步骤d包括：
da、将伪标记样本集的有标签数据集
和
输入到基于时序集成的深度学习网络S，并计算有标签数据集的损失函数L1：
式中，x表示对应的样本点的光谱归一化特征值，y是样本对应的标签，w是基于时序集成的深度学习网络S的权重，z表示基于时序集成的深度学习网络S的概率输出，lCE表示交叉熵损失函数，其定义如下：
式中，k表示变化检测中的标签，取值为{0，1}，0表示未变化，1表示变化。
db、将伪标记样本集的无标签数据集
输入到基于时序集成的深度学习网络S，得到
对应的输出
计算无标签数据集的损失函数L2：
式中，
是对应zu的样本序号
中取值；
dc、根据总的损失函数L1+L2，采用后向传播算法，利用随机梯度下降算法更新基于时序集成的深度学习网络S的权重w；
dd、更新集成预测Z：
Z＝αZ+(1-α)z (9)
式中，α表示时序集成动量参数，其取值为0≤α<1，z表示基于时序集成的深度学习网络S的概率输出；
更新基于时序集成的深度学习网络S的输出
式中t表示训练样本训练的次数，即迭代次数；
de、重复步骤da～dd，直到基于时序集成的深度学习网络S收敛。
一种时序集成的多光谱遥感图像变化检测***，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：本发明所述时序集成的多光谱遥感图像变化检测方法和***通过集成了不同时序的网络输出，从而使得双时相多光谱遥感影像的最终变化检测结果更加可靠、稳健。
附图说明
图1是本发明实施例所述时序集成的多光谱遥感图像变化检测方法的实现流程示意图；
图2是本发明实施例所采用的2006年2月的沙特***Riyadh地区高分辨率IKONOS图像第1波段示意图；
图3是本发明实施例所采用的2006年10月的沙特***的Riyadh地区高分辨率IKONOS图像第1波段示意图；
图4是变化检测参考图像；
图5是EM-MRF算法检测结果图像；
图6是DBN算法检测结果图像；
图7是GAN算法的检测结果图像；
图8是采用本发明实施例方法获得的检测结果图像。
具体实施方式
一种时序集成的多光谱遥感图像变化检测方法，包括对多光谱遥感图像进行预处理并计算多光谱遥感图像的变化矢量幅值；计算变化矢量幅值的最优分割阈值，根据最优分割阈值及均值滤波确定伪标记样本集；构建基于时序集成的深度学习网络；通过伪标记样本集对深度学习网络进行训练；将不同时相的多光谱图像输入训练好的深度学习网络获取最终检测结果。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，是本发明所述时序集成的多光谱遥感图像变化检测方法的实现流程示意图，包括如下步骤：
步骤1：输入同一区域、不同时相的经过配准的两幅高分辨率光学遥感影像，分别记为X1和X2。
步骤2：利用多元变化检测(Multivariate Alteration Detection，MAD)方法对X1和X2进行辐射归一化校正。该方法首先找到两期影像各波段亮度值的一个线性组合，得到变化信息增强的差异影像，通过阈值确定变化和未变化区域，然后通过未变化区域对应的两时相像元对的映射方程，完成相对辐射校正。
步骤3：对输入的经过预处理的双时相高分辨率多光谱遥感影像，其变化矢量幅值XM的计算如下：
其中，XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；(i,j)表示遥感影像的坐标；b表示波段的序号；X1b(i,j)表示前一时相第b波段影像(i,j)处的像素值；X2b(i,j)表示后一时相第b波段影像(i,j)处的像素值。
步骤4：利用Bayes原理，并基于最大期望(Expectation-Maximization，EM)算法获取最优分割阈值T。将|XM-T|≤δ的区域作为伪训练样本集。其中δ的选择为XM动态范围的15％，最优分割阈值T的计算过程及伪训练样本集的构建如下：
1)假设XM影像上未变化类ωn和变化类ωc服从如下的高斯分布，即：
其中，p(XM(i,j)|ωl)表示影像XM上坐标(i,j)处的像素值属于类别ωl的条件概率，ωl∈{ωn,ωc}；σl表示影像XM上属于类别ωl的方差，σl∈{σn,σc}，ml表示影像XM上属于类别ωl的均值，ml∈{mn,mc}，mn表示未变化类的均值和σn表示未变化类的标准差，mc表示变化类的均值和σc表示变化类的标准差；
采用EM算法可估计mn、σn、mc和σc这四个参数，下面仅以未变化类的参数估计为例进行说明，变化类参数估计类似：
其中，I表示影像的行数，J表示影像的列数，t表示迭代次数；pt(XM(i,j))表示迭代次数为t时的像素值XM(i,j)的全概率；pt(ωn)表示迭代次数为t时的未变化类的先验概率；pt(XM(i,j)|ωn)表示迭代次数为t时的像素值XM(i,j)属于未变化类的条件概率；
表示迭代次数为t时的未变化类均值；表示迭代次数为t+1时的未变化类方差；
3)依据Bayes最小误差准则，求解变化矢量幅值图像XM的分割阈值T；
4)确定训练样本集：
4.1)根据EM算法所估计的阈值T，将XM大于T的样本初步确定为变化样本集(变化类标记为1)，小于或者等于T的初步确定为未变化样本(未变化类标记为0)，从而获取最初的变化检测结果C0；
4.2)对C0进行窗口尺寸为ψ(ψ设置为大于1的奇数)的均值滤波，对滤波结果为1的对应窗口中心的样本设置为变化类(标记为1)，而对滤波结果为0的对应窗口中心样本设置为非变化类(标记为0)，对上述两种情况之外的对应样本设置为未标记样本。记此时的变化类样本集为
非变化类样本集为未标记样本集为
4.3)记XM大于T的坐标集合为i1，XM小于或者等于T的坐标集合为i2。分别计算XM在i1和i2上的均值，并分别记为
和
将XM大于
的样本标记为变化类，将XM小于
的样本标记为非变化类。记此时的变化类样本集为
非变化类样本集为
4.4)求和
的交集，获取变化类样本集
求
和
的交集，获取非变化类样本集
变化类样本集
和非变化类样本集
构成伪标记样本集。
步骤5：按照如下顺序构建深度学习网络S：
步骤5.1：输入层，对输入训练样本添加均值为0，标准差为0.05的高斯噪声；
步骤5.2：构建第一卷积层，输入特征数6(双时相图像共6个波段)，输出特征数为16，滤波器尺寸为3×3，边界补0的数目为1，卷积操作的步长为1；
步骤5.3：构建局部窗口尺寸为3×3第一池化层，边界补0的数目为1，卷积操作的步长为2；
步骤5.4：对步骤6.4的结果后接修正线性单元ReLU激活函数(定义为ReLU(x)＝max(0,x)，x为上一层的输出矩阵)；
步骤5.5：构建第二卷积层，输入特征数16，输出特征数为32，滤波器尺寸为3×3，边界补0的数目为1，卷积操作的步长为1；
步骤5.6：构建局部窗口尺寸为3×3第二池化层，边界补0的数目为1，卷积操作的步长为2；
步骤5.7：对步骤6.6的结果后接修正线性单元ReLU激活函数；
步骤5.8：使用随机失活优化方法Dropout，使得该层的神经元在每次迭代训练时会随机有50％的可能性被丢弃；
步骤5.9：构建全连接层，输入为步骤6.8的多维张量展开成一维后的数目，输出为2。
步骤6：随机初始化深度网络S的参数，包括网络权重和偏置。
步骤7：设训练样本的数目为N，初始化集成预测Z为N×2维的全零矢量，初始化目标矢量
为N×2维的全零矢量，初始化时序集成动量参数α。
步骤8：开始训练网络S，包括如下步骤：
步骤8.1：将伪标记样本集的有标签数据集
和
输入网络S，并计算有标签数据集的损失函数L1：
式中，x表示对应的样本点的光谱归一化特征值，y是样本对应的标签，w是基于时序集成的深度学习网络S的权重，z表示基于时序集成的深度学习网络S的概率输出，lCE表示交叉熵损失函数，其定义如下：
式中k表示变化检测中的标签，取值为{0，1}，0表示未变化，1表示变化。
步骤8.2：将无标签数据集
输入到网络S，得到
对应的输出
计算无标签数据集的损失函数L2：
式中，
是对应zu的样本序号
中取值。
步骤8.3：根据总的损失函数L1+L2，采用后向传播算法，利用随机梯度下降算法更新网络S的权重w。
步骤8.4：更新集成预测Z：
Z＝αZ+(1-α)z (9)
式中，α表示时序集成动量参数，其取值为0≤α<1，z表示基于时序集成的深度学习网络S的概率输出
更新基于时序集成的深度学习网络S的输出z：
式中，t表示训练样本训练的次数,即迭代次数。
步骤9：重复步骤8.1-步骤8.4，直到深度网络S收敛。
步骤10：将两幅不同时相的多光谱图像归一化处理后输入到训练好的网络S进行变化和非变化类别的划分。
下面结合具体实验数据对本发明做进一步详细说明。本发明的仿真条件为：仿真实验是在主频2.50GHz的Intel(R)Core(TM)i5-7300 HQ CPU、内存8GB的硬件环境和Pytorch 1.0.0开发环境下进行的。
本次实验采用的实验数据为沙特***的Riyadh地区的多时相IKNOS高分辨影像数据，图像大小为401×430，使用B1、B2和B3三个波段。深度学习训练中具体参数设置如下：(1)批样本的数量为128；(2)迭代训练次数为100；(3)构建伪训练样本时，样本局部窗口尺寸ψ设置为5；(4)集成系数α设置为0.6；(5)学习速率设置为0.002。
为了验证本发明的有效性，将本发明变化检测方法与下述变化检测方法进行比对：
(1)基于CVA的EM-MRF方法(EM-MRF)[意大利的Bruzzone L.等在文章“Automaticanalysis of difference image for unsupervised change detection”(IEEETransactions on Geoscience and Remote Sensing,2000,38(3):1171-1182.)中所提的检测方法]。
(2)Gong等所提的深度信念网络检测方法(DBN)[Maoguo Gong等.在文章“Changedetection in synthetic aperture radar images based on deep neural networks.(IEEE Transactions on Geoscience and Remote Sensing,2016,27(1):125-137.)中所提的检测方法]
(3)Gong等所提的生成对抗网络检测方法(GAN)[Maoguo Gong等.在文章“AGenerative Discriminatory Classified Network for Change Detection inMultispectral Imagery.(IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,2019,12(1):321-333.)中所提的检测方法]
(4)本发明方法。
检测性能用错检数FP、漏检数FN、总错误数OE和Kappa系数k四个指标来衡量。FP、FN和OE越接近于0、Kappa系数k越接近于1，表明变化检测方法的性能越好。检测结果如表1所示。
表1 Riyadh地区的多时相IKONOS影像变化检测结果比较
由表1可见，本发明所提的检测方法Kappa系数最大，比其他三种检测算法相比更接近于1。另外，本发明的总错误数OE在对比算法中是最小的，更接近于0。综上，本发明变化检测算法的性能优于其他三种检测方法，这表明本发明所提的变化检测方法是有效的。
图2是Riyadh地区的前一时相多光谱IKONOS影像，图3是Riyadh地区的后一时相多光谱IKONOS影像，图4是变化检测的参考图，图中白色表示变化，黑色表示非变化。图5是EM-MRF算法的变化检测结果，图6是DBN算法的变化检测结果，图7是GAN算法的变化检测结果，图8是采用本发明实施例方法的变化检测结果。从图4的参考图和图5～8的对比来看，目视效果上，本发明所提算法的检测效果是最好的。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种时序集成的多光谱遥感图像变化检测方法，其特征是，包括：
a、对多光谱遥感图像进行预处理并计算多光谱遥感图像的变化矢量幅值；
b、计算变化矢量幅值的最优分割阈值，根据最优分割阈值及均值滤波确定伪标记样本集；
c、构建基于时序集成的深度学习网络；
d、通过伪标记样本集对深度学习网络进行训练；
e、将不同时相的多光谱图像输入训练好的深度学习网络获取最终检测结果。
2.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，所述预处理是利用多元变化检测方法对多光谱遥感图像进行归一化校正。
3.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，所述变化矢量幅值通过以下公式计算：
其中：XM(i,j)表示坐标(i,j)处的变化矢量幅值；B表示每一个时相遥感影像的波段数目；(i,j)表示遥感影像的坐标；b表示波段的序号；X1b(i,j)表示前一时相第b波段影像(i,j)处的像素值；X2b(i,j)表示后一时相第b波段影像(i,j)处的像素值。
4.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，依据Bayes最小误差准则，并基于最大期望算法求解变化矢量幅值的最优分割阈值。
5.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，所述步骤c包括：
ca、在输入层，对输入的训练样本添加均值为0，标准差为0.05的高斯噪声；
cb、构建第一卷积层
cc、构建局部窗口尺寸为3×3第一池化层；
cd、对步骤c的结果接修正线性单元ReLU激活函数；
cd、构建第二卷积层；
ce、构建局部窗口尺寸为3×3第二池化层；
cf、对步骤e的结果接修正线性单元ReLU激活函数；
cg.使用随机失活优化方法Dropout，使得第二池化层的神经元在每次迭代训练时会随机有50％的可能性被丢弃；
ch.构建全连接层。
6.根据权利要求1所述的时序集成的多光谱遥感图像变化检测方法，其特征是，所述步骤d包括：
da、将伪标记样本集的有标签数据集
和
输入到基于时序集成的深度学习网络S，并计算有标签数据集的损失函数L1：
式中，x表示对应的样本点的光谱归一化特征值，y是样本对应的标签，w是基于时序集成的深度学习网络S的权重，z表示基于时序集成的深度学习网络S的概率输出，
表示交叉熵损失函数，其定义如下：
式中，k表示变化检测中的标签，取值为{0，1}，0表示未变化，1表示变化。
db、将伪标记样本集的无标签数据集
输入到基于时序集成的深度学习网络S，得到
对应的输出计算无标签数据集的损失函数L2：
式中，
是对应zu的样本序号
中取值；
dc、根据总的损失函数L1+L2，采用后向传播算法，利用随机梯度下降算法更新基于时序集成的深度学习网络S的权重w；
dd、更新集成预测Z：
Z＝αZ+(1-α)z (9)
式中，α表示时序集成动量参数，其取值为0≤α<1，z表示基于时序集成的深度学习网络S的概率输出；
更新基于时序集成的深度学习网络S的输出
式中t表示训练样本训练的次数，即迭代次数；
de、重复步骤da～dd，直到基于时序集成的深度学习网络S收敛。
7.一种时序集成的多光谱遥感图像变化检测***，其特征是，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行权利要求1～6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911050841.2A CN110827330B (zh) | 2019-10-31 | 2019-10-31 | 一种时序集成的多光谱遥感图像变化检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911050841.2A CN110827330B (zh) | 2019-10-31 | 2019-10-31 | 一种时序集成的多光谱遥感图像变化检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110827330A true CN110827330A (zh) | 2020-02-21 |
| CN110827330B CN110827330B (zh) | 2022-08-12 |
Family
ID=69551756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911050841.2A Active CN110827330B (zh) | 2019-10-31 | 2019-10-31 | 一种时序集成的多光谱遥感图像变化检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110827330B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325281A (zh) * | 2020-03-05 | 2020-06-23 | 新希望六和股份有限公司 | 深度学习网络的训练方法、装置、计算机设备和存储介质 |
| CN112926624A (zh) * | 2021-01-23 | 2021-06-08 | 西北工业大学 | 一种鲁棒的多时相多光谱影像变化检测方法 |
| CN113255451A (zh) * | 2021-04-25 | 2021-08-13 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
| CN113379620A (zh) * | 2021-05-18 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像云检测方法 |
| CN116091497A (zh) * | 2023-04-07 | 2023-05-09 | 航天宏图信息技术股份有限公司 | 遥感变化检测方法、装置、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354845A (zh) * | 2015-11-04 | 2016-02-24 | 河海大学 | 一种遥感影像半监督变化检测方法 |
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| CN106650571A (zh) * | 2016-09-09 | 2017-05-10 | 河海大学 | 一种基于自适应卡方变换的多时相遥感影像变化检测方法 |
| CN107481235A (zh) * | 2017-08-24 | 2017-12-15 | 河海大学 | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 |
-
2019
- 2019-10-31 CN CN201911050841.2A patent/CN110827330B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| CN105354845A (zh) * | 2015-11-04 | 2016-02-24 | 河海大学 | 一种遥感影像半监督变化检测方法 |
| CN106650571A (zh) * | 2016-09-09 | 2017-05-10 | 河海大学 | 一种基于自适应卡方变换的多时相遥感影像变化检测方法 |
| CN107481235A (zh) * | 2017-08-24 | 2017-12-15 | 河海大学 | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325281A (zh) * | 2020-03-05 | 2020-06-23 | 新希望六和股份有限公司 | 深度学习网络的训练方法、装置、计算机设备和存储介质 |
| CN111325281B (zh) * | 2020-03-05 | 2023-10-27 | 新希望六和股份有限公司 | 深度学习网络的训练方法、装置、计算机设备和存储介质 |
| CN112926624A (zh) * | 2021-01-23 | 2021-06-08 | 西北工业大学 | 一种鲁棒的多时相多光谱影像变化检测方法 |
| CN112926624B (zh) * | 2021-01-23 | 2024-05-24 | 西北工业大学 | 一种鲁棒的多时相多光谱影像变化检测方法 |
| CN113255451A (zh) * | 2021-04-25 | 2021-08-13 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
| CN113255451B (zh) * | 2021-04-25 | 2023-04-07 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
| CN113379620A (zh) * | 2021-05-18 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像云检测方法 |
| CN113379620B (zh) * | 2021-05-18 | 2023-10-27 | 中国资源卫星应用中心 | 一种光学遥感卫星影像云检测方法 |
| CN116091497A (zh) * | 2023-04-07 | 2023-05-09 | 航天宏图信息技术股份有限公司 | 遥感变化检测方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110827330B (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110827330B (zh) | 一种时序集成的多光谱遥感图像变化检测方法及*** | |
| CN109754078B (zh) | 用于优化神经网络的方法 | |
| Makantasis et al. | Tensor-based classification models for hyperspectral data analysis | |
| Sun et al. | Low rank component induced spatial-spectral kernel method for hyperspectral image classification | |
| CN108764292B (zh) | 基于弱监督信息的深度学习图像目标映射及定位方法 | |
| Montazer et al. | An improved radial basis function neural network for object image retrieval | |
| Thakur et al. | State‐of‐art analysis of image denoising methods using convolutional neural networks | |
| CN110826458A (zh) | 一种基于深度学习的多光谱遥感图像变化检测方法及*** | |
| Sandryhaila et al. | Classification via regularization on graphs | |
| WO2019102005A1 (en) | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering | |
| CN109299668B (zh) | 一种基于主动学习和聚类分析的高光谱图像分类方法 | |
| Ahmad et al. | Spatial-prior generalized fuzziness extreme learning machine autoencoder-based active learning for hyperspectral image classification | |
| Gao et al. | Spectral–spatial hyperspectral image classification using a multiscale conservative smoothing scheme and adaptive sparse representation | |
| Li et al. | Ensemble EMD-based spectral-spatial feature extraction for hyperspectral image classification | |
| Carrara et al. | On the robustness to adversarial examples of neural ode image classifiers | |
| Deshpande et al. | Super resolution and recognition of long range captured multi‐frame iris images | |
| Mahmoud et al. | Ae-lstm: Autoencoder with lstm-based intrusion detection in iot | |
| CN114692156B (zh) | 内存片段恶意代码入侵检测方法、***、存储介质及设备 | |
| Paul et al. | Dimensionality reduction of hyperspectral image using signal entropy and spatial information in genetic algorithm with discrete wavelet transformation | |
| CN110837787B (zh) | 一种三方生成对抗网络的多光谱遥感图像检测方法及*** | |
| CN113496221A (zh) | 基于深度双边滤波的点监督遥感图像语义分割方法及*** | |
| Aswathy et al. | ADMM based hyperspectral image classification improved by denoising using Legendre Fenchel transformation | |
| CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
| Adate et al. | Understanding how adversarial noise affects single image classification | |
| Gao et al. | Improved detection of adversarial images using deep neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |