基于RBM模型的目标级遥感图像变化检测方法与流程

本发明属于计算机
技术领域：
，更进一步涉及图像处理
技术领域：
中的基于RBM模型的目标级遥感图像变化检测方法。通过遥感图像变化检测，可用于地物覆盖与利用、自然灾害监测与评估，城市规划，地图更新等领域。
背景技术：
：遥感图像变化检测方法是一种分析和理解多时遥感图像的重要技术，是对同一地区不同时间获取的多时遥感图像分析的一种方法，本质上是一类模式分类问题，即将某种方式获得的差异图像分为变化和未变化两大类，侧重的是识别两幅遥感图像中地物的变化。从图像处理对象抽象等级的角度将遥感图像变化检测方法分为像素级、特征级和目标级3个类别。传统的像素级遥感图像变化检测方法对配准精度要求较高，不适用于高分辨率遥感图像。特征级遥感图像变化检测方法需要人工干预下设定算法的参数和判决阈值，自动化程度不高。目标级遥感变化检测方法的最主要的特点是将图像看成多个具有语义信息的对象的组合，然后将这些对象作为变化检测的基本处理单元。随着遥感图像空间分辨率的提高，目标级遥感变化检测方法能更好提取遥感图像上地物的几何形状和结构信息。中国科学院遥感与数字地球研究所在其申请的专利“一种基于纹理元的遥感图像变化检测方法”(专利申请号：CN201410363422.5，公开号：CN104143191A)中提出一种基于纹理元的遥感图像变化检测方法。该检测方法通过统计第一个时相图像中分割图像块的纹理特征，得到纹理元直方图，再以前一个时相图像的分割结果作为限制边界，统计后一个时相图像中各个分割图像块的纹理特征，得到相应纹理元直方图。对两幅图像中的对应图像块的纹理特征进行相似性比较，距离大于某个阈值，则认为发生了变化，反之，则认为没有变化；把变化区域在原始的分割结果上标出，得到基于纹理特征提取的变化检测图像。该检测方法利用了图像的空间信息以及纹理信息，避免了误检测的发生，但是仍然存在的不足之处是，需要依据具体的遥感图像以及处理问题来选择合适的分类阈值，不能普遍适用。西安电子科技大学在其申请的专利“基于区域和Kmeans聚类的遥感图像变化检测方法”(专利申请号CN201310114150.0，公开号CN103198480A)中提出一种基于区域和Kmeans聚类的遥感图像变化检测方法。该方法通过对差异图像进行最大熵阈值分析提取感兴趣区域和未变化区域，并利用这两个区域的特征采用Kmeans法对两个区域进行分类，完成对遥感图像的变化检测。但是该方法仍然存在的不足之处是，直接对差异图像素点的灰度值进行处理，没有利用图像的空间的信息，对配准精度有较高的依赖性。技术实现要素：本发明的目的在于克服上述现有技术的不足，提出一种基于RBM模型的目标级遥感图像变化检测方法，本发明通过分割待检测遥感图像，得到目标级遥感图像的灰度矩阵，充分利用遥感图像中像素点的光谱信息和空间信息。同时在传统变化检测的基础上加入受限波尔兹曼机RBM，通过训练好的受限波尔兹曼机RBM的无监督学习进行变化检测，有效的提高了遥感图像变化检测的精度。本发明的具体步骤如下：(1)输入灰度矩阵。输入两个已配准的同一区域、不同时间的遥感图像的灰度矩阵。(2)分割灰度矩阵。(2a)采用模糊C均值聚类方法，对两个已配准的同一区域、不同时间的遥感图像的灰度矩阵其中一个遥感图像的灰度矩阵I1进行模糊聚类，得到第一个分割后的灰度矩阵X1。(2b)采用模糊C均值聚类方法，对两个已配准的同一区域、不同时间的遥感图像的灰度矩阵其中另一个遥感图像的灰度矩阵I2进行模糊聚类，得到第二个分割后的灰度矩阵X2。(3)构造待检测的对数比值差异灰度矩阵。按照下式，计算灰度矩阵X1和X2的对数比值差异灰度矩阵，得到待检测的对数比值差异灰度矩阵：D＝|log(X2+1)-log(X1+1)|其中，D表示灰度矩阵X1和X2的对数比值差异灰度矩阵，X2表示第二个分割后的灰度矩阵，X1表示第一个分割后的灰度矩阵，|·|表示绝对值操作，log表示以10为底的对数操作。(4)预分类。(4a)采用模糊C均值聚类方法，对待检测的对数比值差异灰度矩阵进行模糊聚类，得到对数比值差异灰度矩阵的模糊聚类矩阵。(4b)将模糊聚类矩阵中变化类隶属度值大的像素点判归为变化类，未变化类隶属度值大的像素点判归为未变化类，将所有像素点分为变化类和未变化类，得到初始变化检测灰度矩阵。(5)选取训练样本。(5a)在初始变化检测灰度矩阵中，选取一个以第j个像素点为中心，大小为5×5的方形窗口，方形窗口的总像素点个数为25。(5b)按照下式，计算方形窗口内像素点的灰度均值：其中，E表示方形窗口内像素点的灰度均值，∑表示求和操作，y表示方形窗口的第y个像素点，Iy表示方形窗口中第y个像素点的灰度值。(5c)按照下式，选取训练样本：|Ij-E|≤0.3其中，Ij表示第j个像素点的灰度值，E表示方形窗口内像素点的灰度均值，|·|表示绝对值操作。(5d)判断是否检验完初始变化检测灰度矩阵中的所有像素点，若是，得到训练样本，执行步骤(6)，否则，执行步骤(5a)。(6)训练受限波尔兹曼机RBM。(6a)将受限波尔兹曼机RBM的网络结构设定为两层可见层和两层隐藏层。(6b)用区间[-0.001,0.001]上的随机数初始化受限波尔兹曼RBM的权值。(6c)将受限波尔兹曼机RBM可见层的偏置向量和隐藏层的偏置向量初始化为零向量。(6d)将训练样本输入到受限波尔兹曼机RBM中进行训练，利用对比散度方法，得到训练后的受限波尔兹曼机RBM。(7)输出变化检测结果。将得到待检测的对数比值差异灰度矩阵输入到训练后的受限波尔兹曼机RBM，得到最终变化检测结果。本发明与现有的技术相比具有以下优点：第一，由于本发明采用模糊C均值聚类方法对遥感图像的灰度矩阵进行模糊聚类，利用了遥感图像的空间信息，克服了现有技术采用传统遥感图像变化检测方法对图像噪声十分敏感，对配准精度有较高的依赖性的缺点，使本发明具有受图像噪声影响小，变化检测结果正确率高的优点。第二，由于本发明采用受限波尔兹曼机RBM，在初始变化检测灰度矩阵中选取可能性大的被正确识别的训练样本，利用受限波尔兹曼机RBM的无监督学习对遥感图像进行变化检测，克服了现有技术采用传统遥感图像变化检测方法需要设置特定的分类阈值，不能普遍适用的缺点，使得本发明对遥感图像变化检测普遍适用，变化检测结果分类精度高的优点。附图说明图1是本发明的流程图；图2是本发明的仿真图。具体实施方式下面结合附图对本发明作进一步的描述。参照附图1，本发明的实现步骤如下。步骤1，输入灰度矩阵。输入两幅已配准的同一区域、不同时间的遥感图像，得到两个已配准的同一区域、不同时间的遥感图像灰度矩阵。步骤2，分割灰度矩阵。采用模糊C均值聚类方法，对两个已配准的同一区域、不同时间的遥感图像的灰度矩阵其中一个遥感图像的灰度矩阵I1进行模糊聚类，得到第一个分割后的灰度矩阵X1。采用模糊C均值聚类方法，对两个已配准的同一区域、不同时间的遥感图像的灰度矩阵其中另一个遥感图像的灰度矩阵I2进行模糊聚类，得到第二个分割后的灰度矩阵X2。遥感图像的灰度矩阵被分割成多个具有语义信息的目标级对象组合，这些目标级对象作为变化检测的基本处理单元，利用了遥感图像的空间信息和结构信息。模糊C均值方法具体步骤如下：第1步，按照下式，用区间[0,1]上的随机数初始化灰度矩阵中像素点的隶属度：其中，N表示灰度矩阵的像素点个数，i表示灰度矩阵的第i个像素点，k表示灰度矩阵的模糊聚类类别，∑表示求和操作，uki表示灰度矩阵中第i个像素点在第k类上的隶属度。第2步，按照下式，计算灰度矩阵的聚类中心：其中，vk表示灰度矩阵中第k类的聚类中心，k表示灰度矩阵的模糊聚类类别，N表示灰度矩阵的像素点的个数，i表示灰度矩阵的第i个像素点，∑表示求和操作，uki表示灰度矩阵中第i个像素点在第k类上的隶属度，xi表示灰度矩阵中第i个像素点的特征。第3步，按照下式，更新灰度矩阵中像素点的隶属度：其中，uki表示灰度矩阵中第i个像素点在第k类上的隶属度，k表示灰度矩阵的模糊聚类类别，i表示灰度矩阵的第i个像素点，N表示灰度矩阵的像素点个数，∑表示求和操作，xi表示灰度矩阵中第i个像素点的特征，vk表示灰度矩阵中第k类的聚类中心，d(xi,vk)表示灰度矩阵中第i个像素点到第k类的聚类中心的欧氏距离。第4步，按照下式，计算模糊C均值聚类方法的目标函数值：其中，J表示模糊C均值聚类方法的目标函数值，N表示灰度矩阵的像素点个数，i表示灰度矩阵的第i个像素点，k表示灰度矩阵的模糊聚类类别，∑表示求和操作，(·)2表示平方操作，uki表示灰度矩阵中第i个像素点在第k类上的隶属度，xi表示灰度矩阵中第i个像素点的特征，vk表示灰度矩阵中第k类的聚类中心，d(xi,vk)表示灰度矩阵中第i个像素点到第k类的聚类中心的欧氏距离。第5步，判断迭代前后目标函数值的改变量是否小于0.000001，若是，停止迭代，否则，执行第2步。步骤3，构造待检测的对数比值差异灰度矩阵。按照下式，计算灰度矩阵X1和X2的对数比值差异灰度矩阵，得到待检测的对数比值差异灰度矩阵：D＝|log(X2+1)-log(X1+1)|其中，D表示灰度矩阵X1和X2的对数比值差异灰度矩阵，X2表示第二个分割后的灰度矩阵，X1表示第一个分割后的灰度矩阵，|·|表示绝对值操作，log表示以10为底的对数操作。步骤4，预分类。采用模糊C均值聚类方法，对待检测的对数比值差异灰度矩阵进行模糊聚类，得到对数比值差异灰度矩阵的模糊聚类矩阵。将模糊聚类矩阵中变化类隶属度值大的像素点判归为变化类，未变化类隶属度值大的像素点判归为未变化类，将所有像素点分为变化类和未变化类，得到初始变化检测灰度矩阵。模糊C均值方法具体步骤如下：第1步，按照下式，用区间[0,1]上的随机数初始化灰度矩阵中像素点的隶属度：其中，N表示灰度矩阵的像素点个数，i表示灰度矩阵的第i个像素点，k表示灰度矩阵的模糊聚类类别，∑表示求和操作，uki表示灰度矩阵中第i个像素点在第k类上的隶属度。第2步，按照下式，计算灰度矩阵的聚类中心：其中，vk表示灰度矩阵中第k类的聚类中心，k表示灰度矩阵的模糊聚类类别，N表示灰度矩阵的像素点的个数，i表示灰度矩阵的第i个像素点，∑表示求和操作，uki表示灰度矩阵中第i个像素点在第k类上的隶属度，xi表示灰度矩阵中第i个像素点的特征。第3步，按照下式，更新灰度矩阵中像素点的隶属度：其中，uki表示灰度矩阵中第i个像素点在第k类上的隶属度，k表示灰度矩阵的模糊聚类类别，i表示灰度矩阵的第i个像素点，N表示灰度矩阵的像素点个数，∑表示求和操作，xi表示灰度矩阵中第i个像素点的特征，vk表示灰度矩阵中第k类的聚类中心，d(xi,vk)表示灰度矩阵中第i个像素点到第k类的聚类中心的欧氏距离。第4步，按照下式，计算模糊C均值聚类方法的目标函数值：其中，J表示模糊C均值聚类方法的目标函数值，N表示灰度矩阵的像素点个数，i表示灰度矩阵的第i个像素点，k表示灰度矩阵的模糊聚类类别，∑表示求和操作，(·)2表示平方操作，uki表示灰度矩阵中第i个像素点在第k类上的隶属度，xi表示灰度矩阵中第i个像素点的特征，vk表示灰度矩阵中第k类的聚类中心，d(xi,vk)表示灰度矩阵中第i个像素点到第k类的聚类中心的欧氏距离。第5步，判断迭代前后目标函数值的改变量是否小于0.000001，若是，停止迭代，否则，执行第2步。步骤5，选取训练样本。选取的训练样本是可能性大的在初始变化检测灰度矩阵中被正确检测为变化类和未变化类的像素点。选取训练样本的具体步骤如下。第1步，在初始变化检测灰度矩阵中，选取一个以第j个像素点为中心，大小为5×5的方形窗口，方形窗口的总像素点个数为25。第2步，按照下式，计算方形窗口像素点的灰度均值：其中，E表示方形窗口像素点的灰度均值，∑表示求和操作，y表示方形窗口的第y个像素点，Iy表示方形窗口中第y个像素点的灰度值。第3步，按照下式，选取训练样本：|Ij-E|≤0.3其中，Ij表示第j个像素点的灰度值，E表示方形窗口内像素点的灰度均值，|·|表示绝对值操作。第4步，判断是否检验初始变化检测灰度矩阵的所有像素点，若是，得到受限波尔兹曼机RBM的待训练样本，执行步骤6，否则，执行第1步。步骤6，训练受限波尔兹曼机RBM。将受限波尔兹曼机RBM的网络结构设定为两层可见层和两层隐藏层。用区间[-0.001,0.001]上的随机数初始化受限波尔兹曼RBM的权值。将受限波尔兹曼机RBM可见层的偏置向量和隐藏层的偏置向量初始化为零向量。将训练样本输入到受限波尔兹曼机RBM中进行训练，利用对比散度方法，得到训练后的受限波尔兹曼机RBM。由于选取的待训练样本是可能性大的被正确识别的变化检测像素点，则训练后的受限波尔兹曼机RBM是一个能对输入的对数比值差异灰度矩阵中的像素点进行较为精确分类的网络。对比散度方法的具体步骤如下：第1步，将待训练样本输入到受限波尔兹曼机RBM第1层可见层，得到受限尔兹曼机RBM的第1层可见层输出。第2步，按照下式，采样得到受限波尔兹曼机RBM的第1层隐藏层输出。其中，h1n表示第1层隐藏层中第n个节点的输出，n表示第1层隐藏层的第n个节点，～表示采样操作，P(h1n＝1|v1)表示第1层可见层输出为v1时第1层隐藏层中第n个节点输出为1的几率，v1表示第1层可见层的输出，e表示欧拉常数，∑表示求和操作，N表示第1层隐藏层的节点总数，w1n表示连接第1层隐藏层中第n个节点与第1层可见层的权值，b1n表示第1层隐藏层中第n个节点的偏置向量。第3步，按照下式，采样得到受限波尔兹曼机RBM的第2层可见层输出：其中，v2m表示第2层可见层中第m个节点的输出，m表示第2层可见层中第m个节点，～表示采样操作，P(v2m＝1|h1)表示第1层隐藏层输出为h1时第2层可见层中第m个节点输出为1的几率，h1表示第1层隐藏层的输出，e表示欧拉常数，∑表示求和操作，M表示第2层可见层的节点总数，w2m表示连接第2层可见层中第m个节点与第1层隐藏层的权值，a2m表示第2层可见层中第m个节点的偏置向量。第4步，按照下式，采样得到受限波尔兹曼机RBM的第2层隐藏层输出：其中，h2n表示第2层隐藏层中第n个节点的输出，n表示第2层隐藏层的第n个节点，～表示采样操作，P(h2n＝1|v2)表示第2层可见层输出为v2时第2层隐藏层中第n个节点的输出为1的几率，v2表示第2层可见层的输出，e表示欧拉常数，∑表示求和操作，N表示第2层隐藏层的节点总数，w2n表示连接第2层隐藏层中第n个节点与第2层可见层的权值，b2n表示第2层隐藏层中第n个节点的偏置向量。第5步，按照下式，更新受限波尔兹曼机RBM的权重：wt+1＝wt+(P(h1＝1|v1)×v1)-(P(h2＝1|v2)×v2)其中，wt+1表示第t+1次更新后受限波尔兹曼机RBM的权重，wt表示第t次更新后受限波尔兹曼机RBM的权重，P(h1＝1|v1)表示第1层可见层输出为v1时第1层隐藏层输出为1的几率，h1表示第1层隐藏层的输出，v1表示第1层可见层的输出，×表示内积操作，P(h2＝1|v2)表示第2层可见层输出为v2时第2层隐藏层输出为1的几率，h2表示第2层隐藏层的输出，v2表示第2层可见层的输出。第6步，按照下式，更新受限波尔兹曼机RBM可见层的偏置向量：at+1＝at+v1-v2其中，at+1表示第t+1次更新后受限波尔兹曼机RBM可见层的偏置向量，at表示第t次更新后受限波尔兹曼机RBM可见层的偏置向量，v1表示第1层可见层的输出，v2表示第2层可见层的输出。第7步，按照下式，更新受限波尔兹曼机RBM隐藏层的偏置向量：bt+1＝bt+P(h1＝1|v1)-P(h2＝1|v2)其中，bt+1表示第t+1次更新后受限波尔兹曼机RBM隐藏层的偏置向量，bt表示第t次更新后受限波尔兹曼机RBM隐藏层的偏置向量，P(h1＝1|v1)表示第1层可见层输出为v1时第1层隐藏层输出为1的几率，h1表示第1层隐藏层的输出，v1表示第1层可见层的输出，P(h2＝1|v2)表示第2层可见层输出为v2时第2层隐藏层输出为1的几率，h2表示第2层隐藏层的输出，v2表示第2层可见层的输出；第8步，判断受限波尔兹曼机RBM的训练周期是否达到300秒，若是，停止更新受限波尔兹曼机RBM的权值、可见层的偏置向量和隐藏层的偏置向量，得到训练完成的受限波尔兹曼机RBM，否则，执行第2步。步骤7，输出变化检测结果。将待检测的对数比值差异灰度矩阵输入到训练后的受限波尔兹曼机RBM，得到最终变化检测结果。下面结合仿真实验对本发明的效果做进一步的说明。1.仿真实验条件：本发明的仿真实验的硬件测试平台是：处理器为IntelCorei5CPU，主频为2.40GHz，内存2GB，软件平台为：Windows8.1操作系统和MatlabR2014a。2.仿真实验内容：本发明的仿真实验内容是Ottawa地区水灾的遥感图像变化检测，在实验中分别对Ottawa地区水灾的遥感图像做基于阈值法的像素级遥感图像变化检测、基于K均值聚类的像素级遥感图像变化检测和基于RBM模型的目标级遥感图像变化检测，并对比了三种变化检测方法的实验结果。本发明的仿真图如附图2所示，图像大小是290×350。图2(a)和图2(b)分别是2004年4月和2004年5月的Ottawa地区水灾的遥感图像，图2(c)是Ottawa地区水灾的遥感图像变化检测参考图。图2(d)、图2(e)和图2(f)分别是基于阈值法的像素级遥感图像变化检测方法的仿真结果，基于K均值聚类的像素级遥感图像变化检测方法的仿真结果和基于RBM模型的目标级遥感图像变化检测方法的仿真结果，图2(d)、图2(e)和图2(f)中白点表示被检测为发生变化的像素点，黑点表示被检测为未变化的像素点。3.仿真结果分析：通过与Ottawa地区水灾的遥感图像变化检测参考图2(c)对比，可以看出基于阈值法的像素级遥感图像变化检测方法的仿真结果图2(d)由于存在非常多的噪声点，变化检测正确率和分类精度较低。基于K均值聚类的像素级遥感图像变化检测方法的仿真结果图2(e)由于噪声点较多，细节丢失严重，有部分变化的区域没有检测出来。基于RBM模型的目标级遥感图像变化检测方法的仿真结果图2(f)噪声点少，细节保留较好，边缘处理光滑。对具有参考图的实验仿真图，可采用定量的变化检测分析。按照下式，计算衡量变化检测结果的总正确率:其中，PCC表示变化检测结果的总正确率，TP表示参考图中发生变化且实验结果中被正确检测为变化的像素点个数，TN表示参考图中未变化且实验结果中被正确检测为未变化的像素点个数，FP表示参考图中未变化但实验结果中被错误检测为变化的像素点个数，FN参考图中发生变化但实验结果中被错误检测为未变化的像素点个数。按照下式，计算衡量检测结果的分类精度：其中，Kappa表示检测结果的分类精度，PCC表示变化检测结果总正确率，TP表示参考图中发生变化且实验结果中被正确检测为变化的像素点个数，TN表示参考图中未变化且实验结果中被正确检测为未变化的像素点个数，FP表示参考图中未变化但实验结果中被错误检测为变化的像素点个数，FN参考图中发生变化但实验结果中被错误检测为未变化的像素点个数。综上所述，对三种变化检测方法的仿真结果做定量的变化检测分析。PCC表示变化检测总正确率，值越大，说明分类效果越好。Kappa表示变化检测分类精度，值越大，说明分类效果越好。表1为对三种变化检测方法的仿真结果做定量的变化检测分析。表1三种变化检测方法的仿真结果方法PCCKappa阈值法0.86660.6379K均值法0.96210.8456本发明0.97540.9057从表1可以看出本发明在Ottawa地区水灾的遥感图像上仿真结果的总正确率高于阈值法和K均值法，分类精度最高，可见本发明方法提高了遥感图像变化检测的效果。当前第1页1 2 3