本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種基于無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的異質(zhì)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(xiàn)對異質(zhì)遙感圖像變化的檢測。

背景技術(shù)：

隨著遙感技術(shù)的發(fā)展，變化檢測技術(shù)已經(jīng)成為遙感圖像應(yīng)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(shù)日趨成熟，被廣泛應(yīng)用于工農(nóng)業(yè)生產(chǎn)、科研和軍事等領(lǐng)域。遙感圖像變化檢測技術(shù)是根據(jù)不同時期覆蓋同一區(qū)域的兩幅遙感圖像的數(shù)據(jù)，結(jié)合相應(yīng)圖像的成像機理，利用已有理論技術(shù)分析圖像之間的差異，獲取所需的地物或目標(biāo)變化信息。目前，全球環(huán)境變化加劇，城市急速發(fā)展，洪水、地震等自然災(zāi)害頻頻發(fā)生，需要對森林覆蓋變化、城市環(huán)境變化、自然災(zāi)害評估等進行分析,變化檢測技術(shù)被用于為相關(guān)部門提供支持。

目前廣泛應(yīng)用的圖像變化檢測方法主要針對同質(zhì)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(zhǔn)，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(jiān)測結(jié)果。由不同的傳感器獲取的遙感圖像稱作異質(zhì)圖像，異質(zhì)圖像對相同的數(shù)據(jù)信息一般會有不同的表示，因此在對異質(zhì)圖像的變化檢測分析時不能直接對其進行比較處理。國內(nèi)外很多學(xué)者對異質(zhì)圖像變化檢測做了大量的研究，主要是利用傳統(tǒng)的方法如代數(shù)法、時序分析法等，根據(jù)影像差值或比值獲取兩幅圖像差異圖，再利用已有的技術(shù)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(fù)雜，而且無法避免大氣條件和傳感器噪聲對檢測結(jié)果造成的影響。如今，傳感器技術(shù)迅速發(fā)展，變化檢測技術(shù)應(yīng)用不斷深入，異質(zhì)圖像變化檢測有著很廣闊的應(yīng)用前景，同時對其精度要求也越來越高，傳統(tǒng)的方法已經(jīng)不能滿足要求。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是通過深度神經(jīng)網(wǎng)絡(luò)重建圖像信息獲取差異圖，降低噪聲的影響，提高異質(zhì)圖像變化檢測的精度。

為此，本發(fā)明提供了一種基于無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的異質(zhì)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(qū)不同時相的異質(zhì)圖像，記為圖像I₁和圖像I₂，利用深度神經(jīng)網(wǎng)絡(luò)以圖像I₁所有點的鄰域信息為輸入，重構(gòu)圖像I₂的鄰域信息，得到初始重構(gòu)映射函數(shù)f₁(x)，獲取初始差異圖DI₁；

步驟二：根據(jù)在步驟一得到的初始差異圖DI₁中選取樣本點，重新訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，得到最終的重構(gòu)映射函數(shù)f(x)；

步驟三：根據(jù)步驟二中得到的最終的重構(gòu)映射函數(shù)f(x)，獲取差異圖DI，得到最終的變化檢測結(jié)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(qū)不同時相的異質(zhì)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(shù)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(jīng)網(wǎng)絡(luò)；

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(jīng)網(wǎng)絡(luò)中，以圖像I₂的鄰域信息IF₂的對應(yīng)點作為標(biāo)簽，使用基于最小交叉熵的共軛梯度算法更新網(wǎng)絡(luò)參數(shù)；

步驟104：不斷重復(fù)步驟103直至誤差小于規(guī)定的閾值或深度神經(jīng)網(wǎng)絡(luò)的迭代計數(shù)器計值大于其最大迭代次數(shù)，得到利用IF₁重建IF₂的初始映射函數(shù)f₁(x)；

步驟105：根據(jù)映射函數(shù)f₁(x)計算重構(gòu)誤差矩陣I_error1；

步驟106：歸一化I_error1,記為初始差異圖DI₁。

所述的步驟102中以初始化迭代計數(shù)器t＝0、最大迭代次數(shù)T＝50初始化深度神經(jīng)網(wǎng)絡(luò)；所述的步驟103中基于最小交叉熵的共軛梯度算法更新網(wǎng)絡(luò)參數(shù)過程中t＝t+1；所述的步驟105中重建誤差矩陣I_error1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(jié)果Iout₁；

步驟202：選取IF₁、IF₂中對應(yīng)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(jīng)網(wǎng)絡(luò)；

步驟204：將IF₁₀逐點輸入到步驟203的深度神經(jīng)網(wǎng)絡(luò)中，以IF₂₀的對應(yīng)點作為標(biāo)簽，使用基于最小交叉熵的共軛梯度算法更新網(wǎng)絡(luò)參數(shù)；

步驟205：不斷重復(fù)步驟204直至誤差小于規(guī)定的閾值或深度神經(jīng)網(wǎng)絡(luò)的計數(shù)器計值大于其最大迭代次數(shù)，得到新的映射函數(shù)f(x)，即為最終的重構(gòu)映射函數(shù)。

所述的步驟203中以初始化迭代計數(shù)器t＝0、最大迭代次數(shù)T＝50初始化深度神經(jīng)網(wǎng)絡(luò)；所述的步驟204中基于最小交叉熵的共軛梯度算法更新網(wǎng)絡(luò)參數(shù)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(jù)得到的最終的重構(gòu)映射函數(shù)f(x)計算重建誤差矩陣I_error；

步驟302：歸一化I_error,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(jié)果I_out；

步驟304：輸出變化檢測結(jié)果I_out。

所述的步驟301中重建誤差矩陣I_error在(i,j)處的取值為：

本發(fā)明提供的這種基于無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的異質(zhì)圖像變化檢測方法有益效果：

1、本發(fā)明是在突破了傳統(tǒng)的異質(zhì)圖像變化檢測方法，不對兩幅圖像做預(yù)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(jié)果，提高變化檢測的精度；

2、本發(fā)明將神經(jīng)網(wǎng)絡(luò)的思想應(yīng)用到變化檢測中，融入深度學(xué)習(xí)算法，多隱藏層的深度神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，通過對特征的無監(jiān)督學(xué)習(xí)，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(xiàn)變化檢測的目的；

3、仿真結(jié)果表明，本發(fā)明采用的基于無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的異質(zhì)圖像變化檢測方法在對異質(zhì)圖像變化檢測的處理上結(jié)果穩(wěn)定，效果優(yōu)良。

附圖說明

以下將結(jié)合附圖對本發(fā)明做進一步詳細(xì)說明。

圖1是基于無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的異質(zhì)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(gòu)映射函數(shù)流程圖。

圖4是獲取最終變化檢測結(jié)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(yīng)圖5的檢測結(jié)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(jié)果圖。

具體實施方式

實施例1：

本實施例提供一種基于無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的異質(zhì)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(qū)不同時相的異質(zhì)圖像，記為圖像I₁和圖像I₂，利用深度神經(jīng)網(wǎng)絡(luò)以圖像I₁所有點的鄰域信息為輸入，重構(gòu)圖像I₂的鄰域信息，得到初始重構(gòu)映射函數(shù)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(xùn)練深度神經(jīng)網(wǎng)絡(luò)，得到最終的重構(gòu)映射函數(shù)f(x)；

步驟三：利用步驟二中得到的最終的重構(gòu)映射函數(shù)f(x)，獲取差異圖DI，得到最終的變化檢測結(jié)果。

本發(fā)明突破了傳統(tǒng)的異質(zhì)圖像變化檢測方法，不對兩幅圖像做預(yù)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(jiān)測結(jié)果，提高變化檢測的精度；本發(fā)明將神經(jīng)網(wǎng)絡(luò)的思想應(yīng)用到變化檢測中，融入深度學(xué)習(xí)算法，多隱藏層的深度神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，通過對特征的無監(jiān)督學(xué)習(xí)，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(xiàn)變化檢測的目的

實施例2：

本實施例在實施例1的基礎(chǔ)上進一步對步驟一進行詳細(xì)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(qū)不同時相的異質(zhì)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(shù)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(jīng)網(wǎng)絡(luò)，初始化迭代計數(shù)器t＝0、最大迭代次數(shù)T＝50；

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(jīng)網(wǎng)絡(luò)中，以圖像I₂的鄰域信息IF₂的對應(yīng)點作為標(biāo)簽，使用基于最小交叉熵的共軛梯度算法更新網(wǎng)絡(luò)參數(shù)，t＝t+1；

步驟104：不斷重復(fù)步驟103直至誤差小于規(guī)定的閾值或t＞T，得到利用IF₁重建IF₂的初始映射函數(shù)f₁(x)；

步驟105：根據(jù)映射函數(shù)f₁(x)計算重建誤差矩陣I_error1，I_error1在位置(i,j)處的取值為

步驟106：歸一化I_error1,即為初始差異圖DI₁。

實施例3：

本實施例在實施例1和實施例2的基礎(chǔ)上進一步對步驟二進行詳細(xì)說明，如圖3所示，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(jié)果Iout₁；

步驟202：選取IF₁、IF₂中對應(yīng)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(jīng)網(wǎng)絡(luò)，初始化迭代計數(shù)器t＝0、最大迭代次數(shù)T＝50；

步驟204：將IF₁₀逐點輸入到步驟203的深度神經(jīng)網(wǎng)絡(luò)中，以IF₂₀的對應(yīng)點作為標(biāo)簽，使用基于最小交叉熵的共軛梯度算法更新網(wǎng)絡(luò)參數(shù)，t＝t+1；

步驟205：不斷重復(fù)步驟204直至誤差小于規(guī)定的閾值或t＞T，得到新的映射函數(shù)f(x)，即為最終的重構(gòu)映射函數(shù)。

實施例4：

本實施例在實施例1和實施例3的基礎(chǔ)上進一步對步驟三進行詳細(xì)說明，如圖4所示，步驟三具體包括如下步驟：

步驟301：根據(jù)得到的最終的重構(gòu)映射函數(shù)f(x)計算各個點對應(yīng)的重建誤差，重建誤差矩陣I_error在(i,j)處的取值為為：

步驟302：歸一化I_error,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(jié)果I_out；

步驟304：輸出變化檢測結(jié)果I_out。

實施例5：

本發(fā)明的效果可以通過以下仿真進一步說明：

1、仿真參數(shù)

對于具有參考圖的實驗仿真圖，可進行定量的變化檢測結(jié)果分析：

①計算漏檢個數(shù)與未漏檢個數(shù)：統(tǒng)計實驗結(jié)果圖中發(fā)生變化區(qū)域的像素個數(shù)，與參考圖中變化區(qū)域的像素個數(shù)進行對比，把參考圖中發(fā)生變化但實驗結(jié)果圖中檢測為未變化的像素個數(shù)稱為漏檢個數(shù)FN，把參考圖中發(fā)生變化且實驗結(jié)果圖中檢測為發(fā)生變化的像素個數(shù)稱為未漏檢個數(shù)TN；

②計算錯檢個數(shù)：統(tǒng)計實驗結(jié)果圖中未發(fā)生變化區(qū)域的像素個數(shù)，與參考圖中未變化區(qū)域的像素個數(shù)進行對比，把參考圖中未發(fā)生變化但實驗結(jié)果圖中檢測為變化的像素個數(shù)稱為錯檢個數(shù)FP,把參考圖中未發(fā)生變化且實驗結(jié)果圖中檢測為未發(fā)生變化的像素個數(shù)稱為未錯檢個數(shù)TP；

③檢測正確分類的概率PCC：PCC＝(TP+TN)/(TP+FP+TN+FN)；

④衡量檢測結(jié)果圖與參考圖一致性的Kappa系數(shù)：Kappa＝(PCC-PRE)/(1-PRE)，其中期望正確分類的概率PRE的計算方法如下：

這里，表示N總像素個數(shù)，Nu和Nc分別表示參考圖中的非變化像素數(shù)和變化像素數(shù)。

2、仿真內(nèi)容

本發(fā)明處理的圖像為兩幅已配準(zhǔn)的不同時間的黃河區(qū)域遙感圖像，參考附圖5,圖5(a)為SAR圖像,圖5(b)為光學(xué)圖像,拍攝時間分別是2008年6月和2012年9月,兩幅圖的維數(shù)均為296×460。仿真實驗內(nèi)容是采用基于無監(jiān)督深度神經(jīng)網(wǎng)的異質(zhì)圖像變化檢測方法對黃河區(qū)域遙感圖像進行變化檢測。

3、仿真實驗結(jié)果及分析

圖6(a)表示變化檢測參考圖，通過深度神經(jīng)網(wǎng)絡(luò)對圖5(a)與圖5(b)的最終變化檢測結(jié)果如圖6(b)所示，將圖6(b)與圖6(a)比較可看出，本發(fā)明剛發(fā)的變化檢測結(jié)果幾乎無噪聲，而且細(xì)節(jié)比較清晰。該組圖的最終變化檢測結(jié)果的性能指標(biāo)如表1所示

從表1中可以看出，本發(fā)明方法的最終變化檢測結(jié)果的正確檢測率和Kappa系數(shù)都很高，因此本發(fā)明方法得到的變化檢測結(jié)果圖比較穩(wěn)定，對異質(zhì)圖像進行變化檢測是有效的。

以上例舉僅僅是對本發(fā)明的舉例說明，并不構(gòu)成對本發(fā)明的保護范圍的限制，凡是與本發(fā)明相同或相似的設(shè)計均屬于本發(fā)明的保護范圍之內(nèi)。