一种基于无监督深度神经网络的异质图像变化检测方法与流程

本发明属于遥感图像处理技术领域，具体涉及一种基于无监督深度神经网络的异质图像变化检测方法，主要解决遥感图像的变化检测问题，实现对异质遥感图像变化的检测。

背景技术：

随着遥感技术的发展，变化检测技术已经成为遥感图像应用的一个重要分支。近年来，遥感图像的变化检测方法不断得到更新，技术日趋成熟，被广泛应用于工农业生产、科研和军事等领域。遥感图像变化检测技术是根据不同时期覆盖同一区域的两幅遥感图像的数据，结合相应图像的成像机理，利用已有理论技术分析图像之间的差异，获取所需的地物或目标变化信息。目前，全球环境变化加剧，城市急速发展，洪水、地震等自然灾害频频发生，需要对森林覆盖变化、城市环境变化、自然灾害评估等进行分析,变化检测技术被用于为相关部门提供支持。

目前广泛应用的图像变化检测方法主要针对同质图像，即利用同种传感器获取的遥感图像。该类方法一般先对两幅图配准，利用差值法或比值法生成差异图，再对差异图进行分析处理，得到最终的变化监测结果。由不同的传感器获取的遥感图像称作异质图像，异质图像对相同的数据信息一般会有不同的表示，因此在对异质图像的变化检测分析时不能直接对其进行比较处理。国内外很多学者对异质图像变化检测做了大量的研究，主要是利用传统的方法如代数法、时序分析法等，根据影像差值或比值获取两幅图像差异图，再利用已有的技术方法对差异图进行处理。这类方法容易理解，但是实施起来比较复杂，而且无法避免大气条件和传感器噪声对检测结果造成的影响。如今，传感器技术迅速发展，变化检测技术应用不断深入，异质图像变化检测有着很广阔的应用前景，同时对其精度要求也越来越高，传统的方法已经不能满足要求。

技术实现要素：

本发明的目的是通过深度神经网络重建图像信息获取差异图，降低噪声的影响，提高异质图像变化检测的精度。

为此，本发明提供了一种基于无监督深度神经网络的异质图像变化检测方法，包括如下步骤：

步骤一：选取两幅同一地区不同时相的异质图像，记为图像I₁和图像I₂，利用深度神经网络以图像I₁所有点的邻域信息为输入，重构图像I₂的邻域信息，得到初始重构映射函数f₁(x)，获取初始差异图DI₁；

步骤二：根据在步骤一得到的初始差异图DI₁中选取样本点，重新训练深度神经网络，得到最终的重构映射函数f(x)；

步骤三：根据步骤二中得到的最终的重构映射函数f(x)，获取差异图DI，得到最终的变化检测结果。

所述的步骤一具体包括如下步骤：

步骤101：选取两幅同一地区不同时相的异质图像，记为图像I₁和图像I₂，以位置(i,j)像素为中心像素，取大小为5×5的窗口，像素总个数为N＝25，提取两幅图像I₁、I₂的邻域信息IF₁、IF₂；

步骤102：随机初始化深度神经网络；

步骤103：将图像I₁的邻域信息IF₁逐点输入到步骤102的深度神经网络中，以图像I₂的邻域信息IF₂的对应点作为标签，使用基于最小交叉熵的共轭梯度算法更新网络参数；

步骤104：不断重复步骤103直至误差小于规定的阈值或深度神经网络的迭代计数器计值大于其最大迭代次数，得到利用IF₁重建IF₂的初始映射函数f₁(x)；

步骤105：根据映射函数f₁(x)计算重构误差矩阵I_error1；

步骤106：归一化I_error1,记为初始差异图DI₁。

所述的步骤102中以初始化迭代计数器t＝0、最大迭代次数T＝50初始化深度神经网络；所述的步骤103中基于最小交叉熵的共轭梯度算法更新网络参数过程中t＝t+1；所述的步骤105中重建误差矩阵I_error1在(i,j)处的取值为：

所述的步骤二具体包括如下步骤：

步骤201：将步骤一得到的初始差异图DI₁进行阈值分割，得到初始检测结果Iout₁；

步骤202：选取IF₁、IF₂中对应的Iout₁中为0的点，组成新的集合IF₁₀、IF₂₀；

步骤203：随机初始化深度神经网络；

步骤204：将IF₁₀逐点输入到步骤203的深度神经网络中，以IF₂₀的对应点作为标签，使用基于最小交叉熵的共轭梯度算法更新网络参数；

步骤205：不断重复步骤204直至误差小于规定的阈值或深度神经网络的计数器计值大于其最大迭代次数，得到新的映射函数f(x)，即为最终的重构映射函数。

所述的步骤203中以初始化迭代计数器t＝0、最大迭代次数T＝50初始化深度神经网络；所述的步骤204中基于最小交叉熵的共轭梯度算法更新网络参数过程中t＝t+1。

所述的步骤三具体包括如下步骤：

步骤301：根据得到的最终的重构映射函数f(x)计算重建误差矩阵I_error；

步骤302：归一化I_error,即为差异图DI；

步骤303：对DI进行阈值分割，得到最终的变化检测结果I_out；

步骤304：输出变化检测结果I_out。

所述的步骤301中重建误差矩阵I_error在(i,j)处的取值为：

本发明提供的这种基于无监督深度神经网络的异质图像变化检测方法有益效果：

1、本发明是在突破了传统的异质图像变化检测方法，不对两幅图像做预分类操作，直接利用两幅图像全部的信息得到最终的变化检测结果，提高变化检测的精度；

2、本发明将神经网络的思想应用到变化检测中，融入深度学习算法，多隐藏层的深度神经网络具有优异的特征学习能力，通过对特征的无监督学习，得到可直接用于处理两幅图像的差异信息，从而生成差异图，实现变化检测的目的；

3、仿真结果表明，本发明采用的基于无监督深度神经网络的异质图像变化检测方法在对异质图像变化检测的处理上结果稳定，效果优良。

附图说明

以下将结合附图对本发明做进一步详细说明。

图1是基于无监督深度神经网络的异质图像变化检测算法主流程图。

图2是获得初始差异图流程图。

图3是得到最终的重构映射函数流程图。

图4是获取最终变化检测结果流程图。

图5是仿真实验图，其中图5(a)和图5(b)的拍摄时间分别为2008.06和2012.09，大小均为296×460。

图6是对应图5的检测结果，其中图6(a)、图6(b)分别表示变化检测参考图、最终变化检测结果图。

具体实施方式

实施例1：

本实施例提供一种基于无监督深度神经网络的异质图像变化检测方法，如图1所示，包括如下步骤：

步骤一：选取两幅同一地区不同时相的异质图像，记为图像I₁和图像I₂，利用深度神经网络以图像I₁所有点的邻域信息为输入，重构图像I₂的邻域信息，得到初始重构映射函数f₁(x)，获取初始差异图DI₁；

步骤二：在步骤一得到的初始差异图DI₁中选取样本点，重新训练深度神经网络，得到最终的重构映射函数f(x)；

步骤三：利用步骤二中得到的最终的重构映射函数f(x)，获取差异图DI，得到最终的变化检测结果。

本发明突破了传统的异质图像变化检测方法，不对两幅图像做预分类操作，直接利用两幅图像全部的信息得到最终的变化监测结果，提高变化检测的精度；本发明将神经网络的思想应用到变化检测中，融入深度学习算法，多隐藏层的深度神经网络具有优异的特征学习能力，通过对特征的无监督学习，得到可直接用于处理两幅图像的差异信息，从而生成差异图，实现变化检测的目的

实施例2：

本实施例在实施例1的基础上进一步对步骤一进行详细说明，如图2所示，步骤一具体包括如下步骤：

步骤101：选取两幅同一地区不同时相的异质图像，记为图像I₁和图像I₂，以位置(i,j)像素为中心像素，取大小为5×5的窗口，像素总个数为N＝25，提取两幅图像I₁、I₂的邻域信息IF₁、IF₂；

步骤102：随机初始化深度神经网络，初始化迭代计数器t＝0、最大迭代次数T＝50；

步骤103：将图像I₁的邻域信息IF₁逐点输入到步骤102的深度神经网络中，以图像I₂的邻域信息IF₂的对应点作为标签，使用基于最小交叉熵的共轭梯度算法更新网络参数，t＝t+1；

步骤104：不断重复步骤103直至误差小于规定的阈值或t＞T，得到利用IF₁重建IF₂的初始映射函数f₁(x)；

步骤105：根据映射函数f₁(x)计算重建误差矩阵I_error1，I_error1在位置(i,j)处的取值为

步骤106：归一化I_error1,即为初始差异图DI₁。

实施例3：

本实施例在实施例1和实施例2的基础上进一步对步骤二进行详细说明，如图3所示，步骤二具体包括如下步骤：

步骤201：将步骤一得到的初始差异图DI₁进行阈值分割，得到初始检测结果Iout₁；

步骤202：选取IF₁、IF₂中对应的Iout₁中为0的点，组成新的集合IF₁₀、IF₂₀；

步骤203：随机初始化深度神经网络，初始化迭代计数器t＝0、最大迭代次数T＝50；

步骤204：将IF₁₀逐点输入到步骤203的深度神经网络中，以IF₂₀的对应点作为标签，使用基于最小交叉熵的共轭梯度算法更新网络参数，t＝t+1；

步骤205：不断重复步骤204直至误差小于规定的阈值或t＞T，得到新的映射函数f(x)，即为最终的重构映射函数。

实施例4：

本实施例在实施例1和实施例3的基础上进一步对步骤三进行详细说明，如图4所示，步骤三具体包括如下步骤：

步骤301：根据得到的最终的重构映射函数f(x)计算各个点对应的重建误差，重建误差矩阵I_error在(i,j)处的取值为为：

步骤302：归一化I_error,即为差异图DI；

步骤303：对DI进行阈值分割，得到最终的变化检测结果I_out；

步骤304：输出变化检测结果I_out。

实施例5：

本发明的效果可以通过以下仿真进一步说明：

1、仿真参数

对于具有参考图的实验仿真图，可进行定量的变化检测结果分析：

①计算漏检个数与未漏检个数：统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化但实验结果图中检测为未变化的像素个数称为漏检个数FN，把参考图中发生变化且实验结果图中检测为发生变化的像素个数称为未漏检个数TN；

②计算错检个数：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数称为错检个数FP,把参考图中未发生变化且实验结果图中检测为未发生变化的像素个数称为未错检个数TP；

③检测正确分类的概率PCC：PCC＝(TP+TN)/(TP+FP+TN+FN)；

④衡量检测结果图与参考图一致性的Kappa系数：Kappa＝(PCC-PRE)/(1-PRE)，其中期望正确分类的概率PRE的计算方法如下：

这里，表示N总像素个数，Nu和Nc分别表示参考图中的非变化像素数和变化像素数。

2、仿真内容

本发明处理的图像为两幅已配准的不同时间的黄河区域遥感图像，参考附图5,图5(a)为SAR图像,图5(b)为光学图像,拍摄时间分别是2008年6月和2012年9月,两幅图的维数均为296×460。仿真实验内容是采用基于无监督深度神经网的异质图像变化检测方法对黄河区域遥感图像进行变化检测。

3、仿真实验结果及分析

图6(a)表示变化检测参考图，通过深度神经网络对图5(a)与图5(b)的最终变化检测结果如图6(b)所示，将图6(b)与图6(a)比较可看出，本发明刚发的变化检测结果几乎无噪声，而且细节比较清晰。该组图的最终变化检测结果的性能指标如表1所示

从表1中可以看出，本发明方法的最终变化检测结果的正确检测率和Kappa系数都很高，因此本发明方法得到的变化检测结果图比较稳定，对异质图像进行变化检测是有效的。

以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。