一種基于無監督深度神經網絡的異質圖像變化檢測方法技術

本發明專利技術屬于遙感圖像處理技術領域，具體涉及一種基于無監督深度神經網絡的異質圖像變化檢測方法，包括如下內容：對兩幅同一地區不同時相的異質圖像配準，利用深度神經網絡以圖像1所有點的鄰域信息為輸入，重構圖像2的鄰域信息，得到初始重構映射函數，獲取初始差異圖；選取樣本點，重新訓練深度神經網絡，得到最終的重構映射函數；利用最終的重構映射函數，獲取差異圖，得到最終的變化檢測結果。本發明專利技術首先適用于異質圖像的變化檢測，避免了對原始圖像的預處理環節，同時一定程度上減少信息的丟失問題，具有受噪聲影響小，變化檢測結果精度高等優點。

A heterogeneous image change detection method based on unsupervised depth neural network

The invention belongs to the technical field of remote sensing image processing, in particular relates to a method for detection of heterogeneous image unsupervised change depth based on neural network, including the following contents: the two images of the same area in different time phase heterogeneous image registration, the depth of the neural network with 1 images at all points of the neighborhood information as input, the reconstructed image of 2 neighborhood information, to obtain the initial reconstruction mapping function, obtain the initial difference map; select sample points, re training the depth of the neural network, the mapping function can be reconstructed by reconstruction of the final; the final mapping function, obtain the difference map, get the final change detection results. Change the invention firstly applies to heterogeneous image detection, avoid the preprocessing of the original image, and to some extent, reduce the loss of information, is less affected by noise, higher accuracy of change detection results.

【技術實現步驟摘要】
一種基于無監督深度神經網絡的異質圖像變化檢測方法
本專利技術屬于遙感圖像處理
，具體涉及一種基于無監督深度神經網絡的異質圖像變化檢測方法，主要解決遙感圖像的變化檢測問題，實現對異質遙感圖像變化的檢測。
技術介紹
隨著遙感技術的發展，變化檢測技術已經成為遙感圖像應用的一個重要分支。近年來，遙感圖像的變化檢測方法不斷得到更新，技術日趨成熟，被廣泛應用于工農業生產、科研和軍事等領域。遙感圖像變化檢測技術是根據不同時期覆蓋同一區域的兩幅遙感圖像的數據，結合相應圖像的成像機理，利用已有理論技術分析圖像之間的差異，獲取所需的地物或目標變化信息。目前，全球環境變化加劇，城市急速發展，洪水、地震等自然災害頻頻發生，需要對森林覆蓋變化、城市環境變化、自然災害評估等進行分析,變化檢測技術被用于為相關部門提供支持。目前廣泛應用的圖像變化檢測方法主要針對同質圖像，即利用同種傳感器獲取的遙感圖像。該類方法一般先對兩幅圖配準，利用差值法或比值法生成差異圖，再對差異圖進行分析處理，得到最終的變化監測結果。由不同的傳感器獲取的遙感圖像稱作異質圖像，異質圖像對相同的數據信息一般會有不同的表示，因此在對異質圖像的變化檢測分析時不能直接對其進行比較處理。國內外很多學者對異質圖像變化檢測做了大量的研究，主要是利用傳統的方法如代數法、時序分析法等，根據影像差值或比值獲取兩幅圖像差異圖，再利用已有的技術方法對差異圖進行處理。這類方法容易理解，但是實施起來比較復雜，而且無法避免大氣條件和傳感器噪聲對檢測結果造成的影響。如今，傳感器技術迅速發展，變化檢測技術應用不斷深入，異質圖像變化檢測有著很廣闊的應用前景，同時對其精度要求也越來越高，傳統的方法已經不能滿足要求。
技術實現思路
本專利技術的目的是通過深度神經網絡重建圖像信息獲取差異圖，降低噪聲的影響，提高異質圖像變化檢測的精度。為此，本專利技術提供了一種基于無監督深度神經網絡的異質圖像變化檢測方法，包括如下步驟：步驟一：選取兩幅同一地區不同時相的異質圖像，記為圖像I1和圖像I2，利用深度神經網絡以圖像I1所有點的鄰域信息為輸入，重構圖像I2的鄰域信息，得到初始重構映射函數f1(x)，獲取初始差異圖DI1；步驟二：根據在步驟一得到的初始差異圖DI1中選取樣本點，重新訓練深度神經網絡，得到最終的重構映射函數f(x)；步驟三：根據步驟二中得到的最終的重構映射函數f(x)，獲取差異圖DI，得到最終的變化檢測結果。所述的步驟一具體包括如下步驟：步驟101：選取兩幅同一地區不同時相的異質圖像，記為圖像I1和圖像I2，以位置(i,j)像素為中心像素，取大小為5×5的窗口，像素總個數為N＝25，提取兩幅圖像I1、I2的鄰域信息IF1、IF2；步驟102：隨機初始化深度神經網絡；步驟103：將圖像I1的鄰域信息IF1逐點輸入到步驟102的深度神經網絡中，以圖像I2的鄰域信息IF2的對應點作為標簽，使用基于最小交叉熵的共軛梯度算法更新網絡參數；步驟104：不斷重復步驟103直至誤差小于規定的閾值或深度神經網絡的迭代計數器計值大于其最大迭代次數，得到利用IF1重建IF2的初始映射函數f1(x)；步驟105：根據映射函數f1(x)計算重構誤差矩陣Ierror1；步驟106：歸一化Ierror1,記為初始差異圖DI1。所述的步驟102中以初始化迭代計數器t＝0、最大迭代次數T＝50初始化深度神經網絡；所述的步驟103中基于最小交叉熵的共軛梯度算法更新網絡參數過程中t＝t+1；所述的步驟105中重建誤差矩陣Ierror1在(i,j)處的取值為：所述的步驟二具體包括如下步驟：步驟201：將步驟一得到的初始差異圖DI1進行閾值分割，得到初始檢測結果Iout1；步驟202：選取IF1、IF2中對應的Iout1中為0的點，組成新的集合IF10、IF20；步驟203：隨機初始化深度神經網絡；步驟204：將IF10逐點輸入到步驟203的深度神經網絡中，以IF20的對應點作為標簽，使用基于最小交叉熵的共軛梯度算法更新網絡參數；步驟205：不斷重復步驟204直至誤差小于規定的閾值或深度神經網絡的計數器計值大于其最大迭代次數，得到新的映射函數f(x)，即為最終的重構映射函數。所述的步驟203中以初始化迭代計數器t＝0、最大迭代次數T＝50初始化深度神經網絡；所述的步驟204中基于最小交叉熵的共軛梯度算法更新網絡參數過程中t＝t+1。所述的步驟三具體包括如下步驟：步驟301：根據得到的最終的重構映射函數f(x)計算重建誤差矩陣Ierror；步驟302：歸一化Ierror,即為差異圖DI；步驟303：對DI進行閾值分割，得到最終的變化檢測結果Iout；步驟304：輸出變化檢測結果Iout。所述的步驟301中重建誤差矩陣Ierror在(i,j)處的取值為：本專利技術提供的這種基于無監督深度神經網絡的異質圖像變化檢測方法有益效果：1、本專利技術是在突破了傳統的異質圖像變化檢測方法，不對兩幅圖像做預分類操作，直接利用兩幅圖像全部的信息得到最終的變化檢測結果，提高變化檢測的精度；2、本專利技術將神經網絡的思想應用到變化檢測中，融入深度學習算法，多隱藏層的深度神經網絡具有優異的特征學習能力，通過對特征的無監督學習，得到可直接用于處理兩幅圖像的差異信息，從而生成差異圖，實現變化檢測的目的；3、仿真結果表明，本專利技術采用的基于無監督深度神經網絡的異質圖像變化檢測方法在對異質圖像變化檢測的處理上結果穩定，效果優良。附圖說明以下將結合附圖對本專利技術做進一步詳細說明。圖1是基于無監督深度神經網絡的異質圖像變化檢測算法主流程圖。圖2是獲得初始差異圖流程圖。圖3是得到最終的重構映射函數流程圖。圖4是獲取最終變化檢測結果流程圖。圖5是仿真實驗圖，其中圖5(a)和圖5(b)的拍攝時間分別為2008.06和2012.09，大小均為296×460。圖6是對應圖5的檢測結果，其中圖6(a)、圖6(b)分別表示變化檢測參考圖、最終變化檢測結果圖。具體實施方式實施例1：本實施例提供一種基于無監督深度神經網絡的異質圖像變化檢測方法，如圖1所示，包括如下步驟：步驟一：選取兩幅同一地區不同時相的異質圖像，記為圖像I1和圖像I2，利用深度神經網絡以圖像I1所有點的鄰域信息為輸入，重構圖像I2的鄰域信息，得到初始重構映射函數f1(x)，獲取初始差異圖DI1；步驟二：在步驟一得到的初始差異圖DI1中選取樣本點，重新訓練深度神經網絡，得到最終的重構映射函數f(x)；步驟三：利用步驟二中得到的最終的重構映射函數f(x)，獲取差異圖DI，得到最終的變化檢測結果。本專利技術突破了傳統的異質圖像變化檢測方法，不對兩幅圖像做預分類操作，直接利用兩幅圖像全部的信息得到最終的變化監測結果，提高變化檢測的精度；本專利技術將神經網絡的思想應用到變化檢測中，融入深度學習算法，多隱藏層的深度神經網絡具有優異的特征學習能力，通過對特征的無監督學習，得到可直接用于處理兩幅圖像的差異信息，從而生成差異圖，實現變化檢測的目的實施例2：本實施例在實施例1的基礎上進一步對步驟一進行詳細說明，如圖2所示，步驟一具體包括如下步驟：步驟101：選取兩幅同一地區不同時相的異質圖像，記為圖像I1和圖像I2，以位置(i,j)像素為中心像素，取大小為5×5的窗口，本文檔來自技高網...

【技術保護點】
一種基于無監督深度神經網絡的異質圖像變化檢測方法，其特征在于，包括如下步驟：步驟一：選取兩幅同一地區不同時相的異質圖像，記為圖像I

【技術特征摘要】
1.一種基于無監督深度神經網絡的異質圖像變化檢測方法，其特征在于，包括如下步驟：步驟一：選取兩幅同一地區不同時相的異質圖像，記為圖像I1和圖像I2，利用深度神經網絡以圖像I1所有點的鄰域信息為輸入，重構圖像I2的鄰域信息，得到初始的重構映射函數f1(x)，獲取初始差異圖DI1；步驟二：在步驟一得到的初始差異圖DI1中選取樣本點，重新訓練深度神經網絡，得到最終的重構映射函數f(x)；步驟三：利用步驟二中得到的最終的重構映射函數f(x)，獲取差異圖DI，得到最終的變化檢測結果。2.如權利要求1所述的基于無監督深度神經網絡的異質圖像變化檢測方法，其特征在于，所述的步驟一具體包括如下步驟：步驟101：選取兩幅同一地區不同時相的異質圖像，記為圖像I1和圖像I2，以位置(i,j)像素為中心像素，取大小為5×5的窗口，像素總個數為N＝25，提取兩幅圖像I1、I2的鄰域信息IF1、IF2；步驟102：隨機初始化深度神經網絡；步驟103：將圖像I1的鄰域信息IF1逐點輸入到步驟102的深度神經網絡中，以圖像I2的鄰域信息IF2的對應點作為標簽，使用基于最小交叉熵的共軛梯度算法更新網絡參數；步驟104：不斷重復步驟103直至誤差小于規定的閾值或深度神經網絡的計數器計值大于其最大迭代次數，得到利用IF1重建IF2的映射函數f1(x)；步驟105：根據映射函數f1(x)計算重構誤差矩陣Ierror1；步驟106：歸一化Ierror1,記為初始差異圖DI1。3.如權利要求2所述的基于無監督深度神經網絡的異質圖像變化檢測方法，其特征在于，所述的步驟102中以初始化迭代計數器t＝0、最大迭代次數T＝50初始化深度神經網絡；所述的步驟103中基于最小交叉...

【專利技術屬性】
技術研發人員：公茂果，馬晶晶，王志銳，武越，劉嘉，李豪，王善峰，張普照，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：陜西,61