[发明专利]基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法

说明书

本发明公开了一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，步骤(1)、选取训练样本；步骤(2)、确定DCCAE网络参数，得到能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络；步骤(3)、将两幅多时相完整图像输入到训练好的DCCAE网络中，使得两幅图像在潜在空间相对光谱对齐，得到其在潜在空间的表示。与现有技术相比，本发明首次将深度神经网络应用到多时相跨传感器遥感图像相对光谱对齐算法中，有效提高了光谱对齐的准确率。

技术领域

本发明涉及图像处理领域，更具体地，涉及一种基于深度典型相关自编码网络的多 时相跨传感器遥感图像相对光谱对齐算法。

背景技术

变化检测(change detection)是指处理不同时相同一区域的遥感图像以提取变化信 息，并对特征差异或者空间结构差异做出定量或定性地分析的过程。变化检测是遥感领 域重要研究方向，作为监测地表状况的关键技术，在众多领域发挥着巨大作用。遥感图像变化检测可以分析土地利用及覆盖情况，预估评测灾害发展趋势，识别森林植被变化，展示城市扩张和布局等表面覆盖变化趋势和演化规律等，具有紧迫的科学实践需求和广阔的实际应用前景。

将多个传感器在不同时间采集到的图像处理和整合到标准的遥感系统中的方法是 十分重要的。首先，从互补数据中提取出的融合特征具有更多的信息量；其次，从不同传感器采集到的多时相图像能够大大降低一些类似于相同的感测波长上光谱分辨率相 同等约束，这样可能增加了这种研究的时间分辨率。另外，卫星运转需要一定的时间， 用单一的传感器拍摄同一地理区域地表样况需要一定的周期。可以通过任意多传感器和 跨传感器图像的集成来进一步减少图像处理系统的响应时间，例如灾后管理和灾后评估 所需的响应时间。目前传感器种类丰富，数量较多，充分利用资源，用不同传感器得到 的图像进行变化检测是一个不错的选择。

跨传感器遥感图像相对光谱对齐后进行变化检测是一个非常广阔的领域，近年发展 起来的深度学习(Deep Learning)为其提供了一个崭新的方向。从目前的研究成果来看， 已取得了较好的成就，显示出深度学习在遥感图像变化检测方面的优良性能。但是，由于跨传感器多时相遥感图像的多样性和复杂性，这方面的研究依旧很少，深度学习在遥 感图像变化检测领域中的应用还有很大的发掘空间。

迄今为止，在国内外公开发表的论文和文献中尚未见到将深度典型相关自编码网络 应用到遥感图像变化检测中。

发明内容

基于上述现有技术，本发明提出一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，利用一预处理手段，能将跨传感器遥感图像映射到同一潜在空间。

本发明的一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，该算法包括以下步骤：

步骤1、选取训练样本，即根据ground truth随机选取一定数量的未发生变化的像元(即标签为0的像素点)作为训练样本；

步骤2、确定计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，得到 能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络，具体 包括：将训练样本输入DCCAE网络，分别用两个神经网络f和g来提取图像X和Y的 非线性特征，将提取出的非线性特征f(X)和g(Y)之间的关联性最大化，同时分别用重构 自编码网络p和q来重构两个图像，利用梯度下降法优化重构误差和特征表示的关联性， 损失函数表示为：

该公 式表示同时最大化特征表示的关联性和最小化两幅图像的重构误差；

约束条件公式：

u_i^Tf(X)g(Y)^Tv_j＝0,for i≠j,