其中τι代表学习速率，通常取0.01左右，训 练迭代次数为20-50次，这样重建层能较好地还原输入层。
[0037]在构造 SAE时，使用的是AE的输入层和隐藏层进行堆叠，后续一层的AE将上一层AE 的隐藏层作为输入层，3层的SAE即3个累加构建的SAE。在变化检测中，网络深度通常采用2 到9层的SAE，每个隐层节点个数通常为5到35个节点。本实施例中测试数据采用的是3层的 SAE，每个隐层节点个数为15。构造好的SAE使用步骤1中提取的特征进行分层无监督的训 练。
[0038] (3)对于光谱图像，可对Xi，X2差分，得到差分图D，D (i，j) = | Xi (i，j) -X2 (i，j) | ;对 于SAR图像，先取两图像的比值，然后取这个比值的对数的绝对值构成差分图，
t最后进行归一化，即
，min( · )，max( ·)分别为 取最小值与最大值函数。
[0039]对差分图像D利用Mean Shift算法进行图像分割。得到分割成许多同质区域的分 割图像SC={SCk，l<k<L}，L为分割图像的不同同质区域的数目，SCk为分割图像中的第k个 同质区域。
[0040] 对差分图像D利用EM算法估计图像整个域上高斯分布模型的参数。建立如下的MRF 变化检测模型：
[0041]
[0042] 其中D={D(i，j)，l < ?，1 幻· <N}D(i，j)为D中第i行、第j列的像素值;C={C j<N}为标号图，即所要求的变化检测图，其中C(i，j)取值为{0，1}，0代 表不变，1代表变化。
[0043]通过条件迭代模型算法最小化MRF变化检测模型U(D，C)，获得粗变化检测图C，详 见参考文南犬：[l]Fangshun Liao,Sufen Yu,Ying Li,Yanning Zhang.An Improved Method in Change Detection of Multitemporal Remote Sensing Image. Lecture Notes in Computer Science,2013,8261:587-594.〇
[0044] (4)将步骤1获得的原始特征与步骤3中获得的粗变化监测结果图以坐标进行配 对，对于那些在粗变化检测结果图中与自身8邻域结果均不相同的输出点，去掉与它们配对 对应的样本点。例如在粗变化检测结果中，点（i，j)与以其为中心3*3邻域的结果均不相同， 则抛弃此样本点。
[0045] (5)构造逻辑回归分类器，并连接到SAE尾部。使得输入数据先经无监督的SAE提取 特征，再将SAE网络自动提取的特征使用逻辑回归分类器进行分类。将上一步骤筛选后的样 本点数据，作为基于SAE的检测网络的输入样本，对SAE和逻辑回归分类器进行训练。训练分 类器时利用步骤3中得到的粗变化检测结果作为教师信号，使用BP算法微调整个网络的参 数。迭代通常进行200到300次，本实施例中取的是300次，学习率取0.01。
[0046] (6)训练好基于SAE的检测网络后，就可以利用步骤1获得的原始特征Tr(i，j)作为 输入数据，使用训练好的基于SAE的检测网络对其进行特征提取并分类，得到最终变化检测 结果图。
【主权项】
1. 一种基于SAE的遥感图像变化检测方法，其特征在于步骤如下： 步骤1:对不同时刻同一地点获取的两幅待检测遥感图像进行配准、辐射校正及几何校 正;对校正后的图像数据进行原始特征提取，提取方法是:提取以每个坐标点为中心3*3的 图像块，组成一个18维的向量，并进行归一化;再加入2维的图像点归一化的坐标信息，拓展 成为一个20维向量，作为一个检测样本点的原始特征； 步骤2:以提取到的原始特征作为输入对堆叠自编码器SAE进行无监督的训练； 步骤3:计算两幅待检测图像的差分图像，对差分图像使用基于同质区域的马尔科夫随 机场算法得到粗变化检测结果图； 如果待检测图像是光谱图像，则对两幅待检测图像进行绝对值差分，得到差分图像； 如果是合成孔径雷达SAR图像，则使用取对数差分，得到差分图像； 步骤4:将步骤1获得的原始特征与步骤3中获得的粗变化监测结果图以坐标进行配对， 对于在粗变化检测结果图中与自身8邻域结果均不相同的输出点，去掉与它们配对对应的 样本点； 步骤5:在堆叠自编码器SAE后构造逻辑回归分类器形成基于SAE的检测网络，然后将筛 选后的样本点数据，作为基于SAE的检测网络的输入样本，对基于SAE的检测网络进行训练； 训练方法为:将步骤4精炼后的变化检测结果作为输入样本的教师信号，采用误差的反 向传播BP算法微调SAE的参数。迭代次数通常为200到300次； 步骤6:训练终止后，利用训练好的基于SAE的检测网络对待测样本进行检测，得到最终 变化检测结果图。2. 根据权利要求1所述基于SAE的遥感图像变化检测方法，其特征在于:所述步骤2的堆 叠自编码器SAE的隐层层数为2到9,每层中节点个数取5到35。3. 根据权利要求1所述基于SAE的遥感图像变化检测方法，其特征在于:所述步骤2的训 练方法为堆叠自编码器SAE进行无监督训练的常规训练方法。
【专利摘要】本发明涉及一种基于SAE的遥感图像变化检测方法，使用堆叠自编码器(Stacked？AutoEncoder，SAE)的训练方式，先训练好一个SAE，然后利用它对原始数据进行自主式特征提取；再用无监督的变化检测方法对两幅原始图像做变化检测，得到的粗变化检测结果；在去除掉一些疑似噪音的样本点后，将其作为教师数据对分类器进行训练；在训练分类器的同时也需要对SAE的参数进行微调。训练结束后，就可得到一种基于SAE的检测网络，从而利用该检测网络实现遥感图像变化检测。本发明将深度神经网络这种有监督的学习模型，与遥感图像变化检测这种无监督的图像分类问题巧妙地结合起来，并改进了特征和训练样本，提高了检测精度和检测的鲁棒性。
【IPC分类】G06T7/00
【公开号】CN105608698
【申请号】CN201510990465
【发明人】李映, 徐隆浩, 刘韬
【申请人】西北工业大学
【公开日】2016年5月25日
【申请日】2015年12月25日