CN111986193B - 一种遥感影像变化检测方法、电子设备及存储介质 - Google Patents
一种遥感影像变化检测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111986193B CN111986193B CN202010901261.6A CN202010901261A CN111986193B CN 111986193 B CN111986193 B CN 111986193B CN 202010901261 A CN202010901261 A CN 202010901261A CN 111986193 B CN111986193 B CN 111986193B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- sensing image
- time phase
- pixel
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000001788 irregular Effects 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007477 logistic regression Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 4
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000013145 classification model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种遥感影像变化检测方法,其包括:获取遥感影像;将所述遥感影像输入预先生成的深度学习模型内,所述深度模型包括不规则影像对象深度特征提取和深度特征融合分类两个模块,深度特征提取模块由非监督的栈式降噪自动编码器预训练生成,深度特征融合分类模块由预训练的降噪自动编码器、级联层、全连层及逻辑回归层组成;接收所述深度学习模型生成的变化检测结果图;根据所述变换检测结果图输出检测结果;上述的学习模型在训练的过程中,无需使用大量的有标签的数据进行训练,因此降低了深度学习的人力和时间成本,并且上述深度学习模型能够保持不规则对象的边缘和形状信息,从而能够表达和描述不规则影像对象的深度特征。
Description
技术领域
本发明涉及影像处理技术领域,尤其涉及一种遥感影像变化检测方法、电子设备及存储介质。
背景技术
遥感对地观测技术已成为土地利用/覆盖变化动态检测的重要手段。高分辨率遥感影像变化检测,是处理和分析不同时间所获取的覆盖同一地区的多幅遥感影像,实现地表地物变化情况的动态检测。
目前检测的方式主要有像素级变化检测和面向对象变化检测两大类,由于像素级变化检测可以减少结果中的椒盐噪声和斑点噪声,使得面向对象变化检测得到了广泛的应用,但是面向对象变换检测的方式,自动化程度不高,仍面临特征选择和样本选取问题。
为了解决面向对象检测方式中的不足,基于深度学习的高分辨率遥感影像变化检测成了目前研究的热点,但是由于现实世界中的地理对象是不规则的,因此深度学习无法直接表达和描述不规则影像深度特征;另外,深度学习的方法需要大量的样本进行模型训练,而在遥感影像处理中收集大量有标记的样本数据所需要的人力和时间成本较高,从而使得深度学习的人力和时间成本较高。
发明内容
本发明的主要目的在于提供一种遥感影像变化检测方法、电子设备及存储介质,旨在解决现有技术中深度学习无法直接表达和描述不规则影像对象深度特征、深度学习的人力和时间成本较高的技术问题。
为实现上述目的,本发明第一方面提供一种遥感影像变化检测方法,包括:获取遥感影像;将所述遥感影像输入预先生成的深度学习模型内,所述深度模型由降噪自动编码器、级联层、全连层及逻辑回归层组成;接收所述深度学习模型生成的变化检测结果图;根据所述变换检测结果图输出检测结果。
进一步地,所述深度学习模型的生成方法如下:获取各时相的遥感影像,所述各时相遥感影像包括第一时相遥感影像及第二时相遥感影像;将各时相的所述遥感影像向量化,分别构成各时相的输入特征向量;
使用所述输入特征向量预训练栈式降噪自动编码器;使用预训练的n个降噪自动编码器叠加,输入对象特征序列,构造第一时相及第二时相的不规则影像对象深度特征提取模型;在所述不规则影像对象深度特征提取模型上构造深度特征融合分类模型,依次叠加级联层、第一全连层、第二全连层及逻辑回归层,生成深度神经网络分类器;对所述深度神经网络分类器输入样本数据进行训练,其中深度特征提取模型参数不变,只更新深度特征融合分类模型,生成完整的深度学习模型。
进一步地,所述对所述深度神经网络分类器输入样本数据进行训练,生成深度学习模型包括:将各时相的所述遥感影像进行叠加,构成联合影像;对所述联合影像进行分割,生成同质的影像对象;获得所述影像对象每个像素的模糊隶属度;根据所述模糊隶属度获取每个像素的模糊不确定性程度的数值,选取模糊不确定性程度的数值最小的m个像素为训练样本,将非训练样本的像素作为测试样本;使用所述训练样本输入深度神经网络分类器,对深度神经网络分类器进行训练,生成深度学习模型。
进一步地,所述对所述联合影像进行分割,生成同质的影像对象包括:使用分型网络演化算法或分水岭分割算法或均值漂移分割算法对所述联合影像进行分割,生成同质的影像对象。
进一步地,所述获得所述影像对象每个像素的模糊隶属度包括:使用变化向量分析方法,计算所述影像对象的变化强度特征图;使用对象及快速模糊聚类方法,并根据所述变化强度特征图对所述影像对象的每个像素进行初始聚类,获得每个像素的模糊隶属度,所述模糊隶属度的计算方式如下:
其中,J为目标函数,D(i)为第i个像素的变化强度特征,q为总的对象数,Rj为第j个对象,Qj为第j个对象所包含的总像素数,vk为第k类的聚类中心,对于变化检测问题,c=2,ujk为第j个对象属于第k类的模糊隶属度。
进一步地,所述根据所述模糊隶属度获取每个像素的模糊不确定性程度包括:使用不确定性综合指数计算模型根据每个像素的模糊隶属度构造模糊不确定分布图;根据所述模糊不确定分布图获取每个像素的模糊不确定性程度的数值;
不确定性综合指数计算模型的计算公式如下:
其中,FUI为不确定性综合指数,uj,1和uj,2分别为第j个对象属于第一类和第二类的模糊隶属度,第一类为变化的模糊隶属度,第二类为未变化的模糊隶属度;;
所述对所述深度神经网络分类器输入样本数据进行训练,生成深度学习模型摆还包括:将所述不确定性程度的数值按照大小进行排列。
进一步地,在对深度神经网络分类器进行训练时,不规则对象的深度特征计算公式如下:
其中,为第t时相遥感影像中第b个波段中的第i个像素光谱值,/>为为第t时相遥感影像中第b个波段中的第i个像素对象特征,Vt(i∈Rj)为第t时相遥感影像中对象Rj的对象特征序列,ω×ω为像素i所在影像斑块的大小,B为总波段数,z(Vt)为对象深度特征,/>为偏置向量,/>为权重矩阵;/>为第n-1个所述降噪自动编码器,θ为降噪自动编码器参数;Wn为第n个所述降噪自动编码器的权重矩阵,bn为第n个所述降噪自动编码器的偏置向量。
进一步地,所述将各时相的所述遥感影像向量化,分别构成各时相的输入特征向量包括:将各时相的所述遥感影像每个像素所在邻域构成的影像斑块进行向量化,分别构成各时相的输入特征向量。
本发明第二方面提供一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述中的任意一项所述方法。
本发明第三方面提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现上述中的任意一项所述方法。
本发明提供一种遥感影像变化检测方法,有益效果在于:不确定性综合指数分析判断像素初始变化程度,能够自动选取高质量样本,从而使得深度学习模型在训练的过程中,无需使用大量的有标签的数据进行训练,因此降低了深度学习的人力和时间成本;另外,上述深度模型由于深度特征提取模型、深度特征融合分类模型和对象特征序列的存在,能够提取不规则对象的边缘和形状信息,从而能够表达和描述不规则影像对象的深度特征,在提高变化检测结果精度的同时保留了地物准确的轮廓。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例遥感影像变化检测方法的流程示意图;
图2为本申请实施例遥感影像变化检测方法的深度学习模型的结构示意图;
图3为本申请实施例电子设备的结构示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为一种遥感影像变化检测方法,包括:S1、获取遥感影像;S2、将遥感影像输入预先生成的深度学习模型内;深度模型由降噪自动编码器、级联层、全连层及逻辑回归层组成;S3、接收深度学习模型生成的变化检测结果图;S4、根据变换检测结果图输出检测结果。
深度学习模型的生成方法如下:获取各时相的遥感影像,各时相遥感影像包括第一时相遥感影像及第二时相遥感影像;将各时相的遥感影像向量化,分别构成各时相的输入特征向量;使用输入特征向量预训练栈式降噪自动编码器;使用n个预训练的降噪自动编码器叠加,输入对象特征序列,构造第一时相及第二时相的不规则影像对象深度特征提取模型;在深度特征提取模型上构造深度特征融合分类模型,依次叠加级联层、第一全连层、第二全连层及逻辑回归层,生成深度神经网络分类器;对深度神经网络分类器输入样本数据进行训练,其中深度特征提取模型参数不变,只更新深度特征融合分类模型,生成完整的深度学习模型。
如图2所示,将预训练的n个降噪自动编码器叠加,输入对象特征序列,分别构造第一时相及第二时相的不规则影像对象深度特征提取模型,在此基础上叠加级联层、第一全连层、第二全连层及Softmax层(逻辑回归层)形成完整的深度学习模型,由于此时的深度学习模型只是初步构建,深度特征提取模型已经预训练,深度特征融合分类模型尚未进行训练,因此此时的深度学习模型是一个深度神经网络分类器,需要样本数据对深度神经网络分类器进行训练后,方能生成可以使用的深度学习模型;而深度神经网络分类器此时包括深度特征提取模型和深度特征融合分类模型两个模块,其中,编码器叠加形成了深度特征提取模型,级联层、第一全连层、第二全连层及Softmax层构成了深度特征融合分类模型。
降噪自动编码器(Denoising autoencoder,DAE),DAE通过一个编码器将原始输入x的受“污染”版本的转换为隐藏表示y,训练后,通过一个解码器从损坏的输入中重构“修复”的输入z,并且输出值将与原始未“污染”值接近。通过级联方式堆叠n个DAE,利用步骤(1)中的各时相输入特征向量,以贪婪逐层方式训练,训练完第(k-1)个DAE之后,将其学习的编码作为输入,训练第k个DAE以学习下一级编码功能。然后可以重复该过程,直到所有DAE都经过训练为止。
对深度神经网络分类器输入样本数据进行训练,生成深度学习模型包括:将各时相的遥感影像进行叠加,构成联合影像;对联合影像进行分割,生成同质的影像对象;获得影像对象每个像素的模糊隶属度;根据模糊隶属度获取每个像素的模糊不确定性程度的数值,选取模糊不确定性程度的数值最小的m个像素为训练样本,将非训练样本的像素作为测试样本;使用训练样本输入深度神经网络分类器,对深度神经网络分类器进行训练,生成深度学习模型。
对联合影像进行分割,生成同质的影像对象包括:使用分型网络演化算法或分水岭分割算法或均值漂移分割算法对联合影像进行分割,生成同质的影像对象。
获得影像对象每个像素的模糊隶属度包括:使用变化向量分析方法,计算影像对象的变化强度特征图;使用对象及快速模糊聚类方法,并根据变化强度特征图对影像对象的每个像素进行初始聚类,获得每个像素的模糊隶属度,模糊隶属度的计算方式如下:
其中,J为目标函数,D(i)为第i个像素的变化强度特征,q为总的对象数,Rj为第j个对象,Qj为第j个对象所包含的总像素数,vk为第k类的聚类中心,对于变化检测问题,c=2,ujk为第j个对象属于第k类的模糊隶属度。
根据模糊隶属度获取每个像素的模糊不确定性程度包括:使用不确定性综合指数计算模型根据每个像素的模糊隶属度构造模糊不确定分布图;根据模糊不确定分布图获取每个像素的模糊不确定性程度的数值;
不确定性综合指数计算模型的计算公式如下:
其中,FUI为不确定性综合指数,uj,1和uj,2分别为第j个对象属于第一类和第二类的模糊隶属度,第一类为变化的模糊隶属度,第二类为未变化的模糊隶属度。
对深度神经网络分类器输入样本数据进行训练,生成深度学习模型摆还包括:将不确定性程度的数值按照大小进行排列。
在进行排列后,能够更加便捷地选取不确定性最小的m个像素。
在对深度神经网络分类器进行训练时,不规则对象的深度特征计算公式如下:
其中,为第t时相遥感影像中第b个波段中的第i个像素光谱值,/>为为第t时相遥感影像中第b个波段中的第i个像素对象特征,Vt(i∈Rj)为第t时相遥感影像中对象Rj的对象特征序列,ω×ω为像素i所在影像斑块的大小,B为总波段数,z(Vt)为对象深度特征,/>为偏置向量,/>为权重矩阵;/>为第n-1个降噪自动编码器,θ为降噪自动编码器参数;Wn为第n个降噪自动编码器的权重矩阵,bn为第n个降噪自动编码器的偏置向量。
将各时相的遥感影像向量化,分别构成各时相的输入特征向量包括:将各时相的遥感影像每个像素所在邻域构成的影像斑块进行向量化,分别构成各时相的输入特征向量。
本申请实施例还根据本技术方案与现有技术方案的数据做出了对比,如表1所示,本申请实施例的总体精度大于现有技术的深度神经网络学习模型,本申请实施例的Kappa系数大于现有技术的深度神经网络学习模型,本申请实施例的计算时间小于现有技术的深度神经网路学习模型。
表1
由实验数据可知,本申请实施例提供的遥感影像变化检测方法相较于现有技术的深度神经网络模型,具有显著的进步。
本申请实施例提供的遥感影像变化检测方法,适用于土地覆盖变化检测、滑坡测图、城市建设用地变化检测、建筑物变化检测、森林火灾检测、水体变化检测等。
本申请实施例提供一种电子装置,请参阅3,该电子装置包括:存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序,处理器602执行该计算机程序时,实现前述中描述的遥感影像变化检测方法。
进一步的,该电子装置还包括:至少一个输入设备603以及至少一个输出设备604。
上述存储器601、处理器602、输入设备603以及输出设备604,通过总线605连接。
其中,输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
存储器601可以是高速随机存取记忆体(RAM,R且om Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器601用于存储一组可执行程序代码,处理器602与存储器601耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述实施例中的存储器601。该计算机可读存储介质上存储有计算机程序,该程序被处理器602执行时实现前述方法实施例中描述的遥感影像变化检测方法。
进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器601(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种遥感影像变化检测方法、电子设备及存储介质的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种遥感影像变化检测方法,其特征在于,包括:
获取遥感影像;
将所述遥感影像输入预先生成的深度学习模型内,所述深度学习模型由降噪自动编码器、级联层、全连层及逻辑回归层组成;
接收所述深度学习模型生成的变化检测结果图;
根据所述变化检测结果图输出检测结果;
所述深度学习模型的生成方法如下:
获取各时相的遥感影像,所述各时相遥感影像包括第一时相遥感影像及第二时相遥感影像;
将各时相的所述遥感影像向量化,分别构成各时相的输入特征向量;
使用所述输入特征向量预训练栈式降噪自动编码器;
使用n个预训练的降噪自动编码器叠加,输入对象特征序列,构造第一时相及第二时相的不规则影像对象深度特征提取模型;
在所述不规则影像对象深度特征提取模型上依次叠加级联层、第一全连层、第二全连层及逻辑回归层,生成深度神经网络分类器;
对所述深度神经网络分类器输入样本数据进行训练,生成深度学习模型;
所述对所述深度神经网络分类器输入样本数据进行训练,生成深度学习模型包括:
将各时相的所述遥感影像进行叠加,构成联合影像;
对所述联合影像进行分割,生成同质的影像对象;
获得所述影像对象每个像素的模糊隶属度;
根据所述模糊隶属度获取每个像素的模糊不确定性程度的数值,选取模糊不确定性程度的数值最小的m个像素为训练样本,将非训练样本的像素作为测试样本;
使用所述训练样本输入深度神经网络分类器,对深度神经网络分类器进行训练,生成深度学习模型;
所述获得所述影像对象每个像素的模糊隶属度包括:
使用变化向量分析方法,计算所述影像对象的变化强度特征图;
使用对象及快速模糊聚类方法,并根据所述变化强度特征图对所述影像对象的每个像素进行初始聚类,获得每个像素的模糊隶属度,所述模糊隶属度的计算方式如下:
其中,J为目标函数,D(i)为第i个像素的变化强度特征,q为总的对象数,Rj为第j个对象,Qj为第j个对象所包含的总像素数,vk为第k类的聚类中心,对于变化检测问题,c=2,ujk为第j个对象属于第k类的模糊隶属度;
所述根据所述模糊隶属度获取每个像素的模糊不确定性程度包括:
使用不确定性综合指数计算模型根据每个像素的模糊隶属度构造模糊不确定分布图;
根据所述模糊不确定分布图获取每个像素的模糊不确定性程度的数值;
不确定性综合指数计算模型的计算公式如下:
其中,FUI为不确定性综合指数,uj,1和uj,2分别为第j个对象属于第一类和第二类的模糊隶属度,第一类为变化的模糊隶属度,第二类为未变化的模糊隶属度;
对所述深度神经网络分类器输入样本数据进行训练,生成深度学习模型还包括:
将所述不确定性程度的数值按照大小进行排列。
2.根据权利要求1所述的遥感影像变化检测方法,其特征在于,
所述对所述联合影像进行分割,生成同质的影像对象包括:
使用分型网络演化算法或分水岭分割算法或均值漂移分割算法对所述联合影像进行分割,生成同质的影像对象。
3.根据权利要求1所述的遥感影像变化检测方法,其特征在于,
在对深度神经网络分类器进行训练时,不规则对象的深度特征计算公式如下:
其中,为第t时相遥感影像中第b个波段中的第i个像素光谱值,/>为为第t时相遥感影像中第b个波段中的第i个像素对象特征,Vt(i∈Rj)为第t时相遥感影像中对象Rj的对象特征序列,ω×ω为像素i所在影像斑块的大小,B为总波段数,z(Vt)为对象深度特征,/>为偏置向量,/>为权重矩阵;/>为第n-1个所述降噪自动编码器,θ为降噪自动编码器参数;Wn为第n个所述降噪自动编码器的权重矩阵,bn为第n个所述降噪自动编码器的偏置向量。
4.根据权利要求1所述的遥感影像变化检测方法,其特征在于,
所述将各时相的所述遥感影像向量化,分别构成各时相的输入特征向量包括:
将各时相的所述遥感影像每个像素所在邻域构成的影像斑块进行向量化,分别构成各时相的输入特征向量。
5.一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至4中的任意一项所述方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至4中的任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010901261.6A CN111986193B (zh) | 2020-08-31 | 2020-08-31 | 一种遥感影像变化检测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010901261.6A CN111986193B (zh) | 2020-08-31 | 2020-08-31 | 一种遥感影像变化检测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986193A CN111986193A (zh) | 2020-11-24 |
CN111986193B true CN111986193B (zh) | 2024-03-19 |
Family
ID=73448612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010901261.6A Active CN111986193B (zh) | 2020-08-31 | 2020-08-31 | 一种遥感影像变化检测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986193B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396594B (zh) * | 2020-11-27 | 2024-03-29 | 广东电网有限责任公司肇庆供电局 | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 |
CN112990071B (zh) * | 2021-03-31 | 2024-01-05 | 香港中文大学(深圳) | 一种输电线路异常检测方法、装置及计算机可读存储介质 |
CN112990112B (zh) * | 2021-04-20 | 2021-07-27 | 湖南大学 | 边缘引导的循环卷积神经网络建筑物变化检测方法及*** |
CN113989660A (zh) * | 2021-10-14 | 2022-01-28 | 浙江数维科技有限公司 | 一种不同时相影像变化的检测方法 |
CN113872024A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 面向光纤激光***多源物理监测量的智能故障诊断方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105590325A (zh) * | 2016-02-22 | 2016-05-18 | 辽宁工程技术大学 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
CN105741267A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 聚类引导深度神经网络分类的多源图像变化检测方法 |
CN106228130A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学 | 基于模糊自编码网络的遥感影像云检测方法 |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
CN107341800A (zh) * | 2017-07-10 | 2017-11-10 | 西安电子科技大学 | 基于超像素显著性分析的sar图像变化检测方法 |
KR101851695B1 (ko) * | 2016-11-15 | 2018-06-11 | 인천대학교 산학협력단 | 액티브 윤곽 모델을 적용한 인터벌 타입 2 퍼지 제어 시스템 및 방법 |
CN109426813A (zh) * | 2018-11-02 | 2019-03-05 | 中电科新型智慧城市研究院有限公司 | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 |
CN109934154A (zh) * | 2019-03-08 | 2019-06-25 | 北京科技大学 | 一种遥感影像变化检测方法及检测装置 |
CN110070525A (zh) * | 2019-04-16 | 2019-07-30 | 湖北省水利水电科学研究院 | 基于对象级半监督cv模型的遥感影像变化检测方法 |
CN110378224A (zh) * | 2019-06-14 | 2019-10-25 | 香港理工大学深圳研究院 | 一种地物变化的检测方法、检测***及终端 |
-
2020
- 2020-08-31 CN CN202010901261.6A patent/CN111986193B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105741267A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 聚类引导深度神经网络分类的多源图像变化检测方法 |
CN105590325A (zh) * | 2016-02-22 | 2016-05-18 | 辽宁工程技术大学 | 基于模糊化高斯隶属函数的高分辨率遥感影像分割方法 |
CN106228130A (zh) * | 2016-07-19 | 2016-12-14 | 武汉大学 | 基于模糊自编码网络的遥感影像云检测方法 |
CN106408569A (zh) * | 2016-08-29 | 2017-02-15 | 北京航空航天大学 | 基于改进模糊c均值聚类算法的脑部mri图像分割方法 |
KR101851695B1 (ko) * | 2016-11-15 | 2018-06-11 | 인천대학교 산학협력단 | 액티브 윤곽 모델을 적용한 인터벌 타입 2 퍼지 제어 시스템 및 방법 |
CN107341800A (zh) * | 2017-07-10 | 2017-11-10 | 西安电子科技大学 | 基于超像素显著性分析的sar图像变化检测方法 |
CN109426813A (zh) * | 2018-11-02 | 2019-03-05 | 中电科新型智慧城市研究院有限公司 | 基于模糊聚类及神经网络模型的遥感图像自定义兴趣点提取方法 |
CN109934154A (zh) * | 2019-03-08 | 2019-06-25 | 北京科技大学 | 一种遥感影像变化检测方法及检测装置 |
CN110070525A (zh) * | 2019-04-16 | 2019-07-30 | 湖北省水利水电科学研究院 | 基于对象级半监督cv模型的遥感影像变化检测方法 |
CN110378224A (zh) * | 2019-06-14 | 2019-10-25 | 香港理工大学深圳研究院 | 一种地物变化的检测方法、检测***及终端 |
Non-Patent Citations (2)
Title |
---|
多源遥感影像红树林信息提取方法比较;章恒;王世新;周艺;阎福礼;朱金峰;;湿地科学(02);全文 * |
模糊神经网络高分辨率遥感影像监督分类;王春艳;徐爱功;赵雪梅;姜勇;;中国图象图形学报(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111986193A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986193B (zh) | 一种遥感影像变化检测方法、电子设备及存储介质 | |
Ebert-Uphoff et al. | Evaluation, tuning and interpretation of neural networks for working with images in meteorological applications | |
Zhang et al. | Remote sensing image spatiotemporal fusion using a generative adversarial network | |
Gong et al. | Superpixel-based difference representation learning for change detection in multispectral remote sensing images | |
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
CN110969088B (zh) | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 | |
CN105678284B (zh) | 一种固定位人体行为分析方法 | |
Shi et al. | Learning multiscale temporal–spatial–spectral features via a multipath convolutional LSTM neural network for change detection with hyperspectral images | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN116524369B (zh) | 遥感影像分割模型构建方法、装置及遥感影像解译方法 | |
CN113988147A (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
Jin et al. | Deep learning for seasonal precipitation prediction over China | |
Ps et al. | Building footprint extraction from very high-resolution satellite images using deep learning | |
Lv et al. | Novel automatic approach for land cover change detection by using VHR remote sensing images | |
Meng et al. | Physical knowledge-enhanced deep neural network for sea surface temperature prediction | |
CN111611960A (zh) | 一种基于多层感知神经网络大区域地表覆盖分类方法 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
Ruiz-Lendínez et al. | Deep learning methods applied to digital elevation models: state of the art | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
Toms et al. | Testing the reliability of interpretable neural networks in geoscience using the madden-julian oscillation | |
Sha et al. | Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model | |
Gan et al. | Water level classification for flood monitoring system using convolutional neural network | |
Ebert-Uphoff et al. | Evaluation, tuning and interpretation of neural networks for meteorological applications | |
Sadia et al. | Transfer learning in deep neural network for land cover classification |
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 |