[发明专利]一种基于收缩自编码器特征学习的遥感图像变化检测方法

说明书

本发明属于图像分析技术领域，公开了一种基于收缩自编码器特征学习的遥感图像变化检测方法，利用多时相图像生成不同尺度下的差异图像用以记录时相图中的差异信息；基于SLIC超像素分割算法对差异图像进行分割，获取具有同质地貌信息邻域特征块；选取部分分割后的小块，对尺度进行调整后作为训练样本输入到栈式收缩自编码器进行特征学习；基于自编码器提取的高阶特征重构生成新的差异图像；对新生成的差异图像利用k‑mean聚类算法实现二分类，得到检测结果。本发明可以由多尺度差异图像的生成，利用多尺度差异信息的SLIC分割，基于栈式收缩自编码器的特征学习以及特征重构再差异分析这个部分组成。

技术领域

本发明属于图像分析技术领域，尤其涉及一种基于收缩自编码器特征学习的遥感图像变化检测方法。

背景技术

目前，业内常用的现有技术是这样的：当前变化检测方法基本上可以分为分类后比较和比较后分析两个类别。分类后比较的方法：要对多时相图中的各个地物对象进行分类，然后再逐类比较获取变化信息。缺点：检测结果严重依赖分类的准确性，遥感图像自身的复杂性和多尺度特性使得分类结果的准确度难以保证，最终检测结果具有极大不确定性。比较后分析法：先计算多时相图的对数差异生成差异图像，再对差异图像生成邻域信息样本，通过对样本基于k-means聚类或Otsu自适应阈值的方法进行二分类，得到检测结果。缺点：遥感图像基于成像原理往往伴随乘性噪声，噪声降低差异图像的质量，使得检测结果中出现严重的错检(本来没变判断为变了)。当前较为流行的降噪的方法是通过PCA(主成分分析)对邻域样本降维处理以消除冗余噪声的干扰。该方法能取得一定效果但是，PCA的本质是线性变换，对于一些线性可分的噪声可以取得较好的效果，但是面对线性不可分的乘性噪声效果有限。其中分类后比较的方法需要对多时相图中的各个地物对象进行分类，然后再逐类比较获取变化信息。然而遥感图像自身的复杂性和多尺度特性使得分类结果的准确度难以保证，进而影响到最终变化检测的精度。因此现阶段比较后分析的方式被主流的算法框架所采用。比较后分析的方法需要先从多时相图中提取出变化的信息生成差异图像，并针对差异图像进行分析得到检测结果。遥感图像由于自身成像机制往往会伴随相斑噪声，噪声会对变化信息产生造成干扰，降低差异图像的质量给变化检测的工作带来了极大的挑战。现阶段在变化检测的众多方法中，比较后分析的方式被主流的算法所采用。比较后分析方法的一般需要先从多时相图中提取出变化的信息生成差异图像，并针对差异图像进行分析得到检测结果。而遥感图像由于自身成像机制往往会伴随相斑噪声，噪声会对变化信息产生造成干扰，降低差异图像的质量，最终降低了变化检测结果的准确性。

综上所述，现有技术存在的问题是：由于遥感图像的成像机制会使多时相图像中存在严重的噪声，噪声会降低差异图像的质量，从而影响到变化检测结果。利用差异图像生成邻域样本过程是以差异图像每个像素点为中心截取邻域小块，最后以这些邻域样本作为样本进行分类，所以差异图中的噪点会直接污染样本，进而影响分类结果，使得原本没有变化的点，因为噪声的出现被判定为变化，产生严重的错检问题。

解决上述技术问题的难度和意义：遥感图像的乘性噪声是线性不可分的，一些传统的降噪方法在这里作用效果有限，或者降噪效果不够显著，又或者在消除噪声干扰的同时需要保留的变化信息有所损耗，同样降低了检测结果的准确性。所以如何在抑制噪声干扰的同时保证有效的变化信息的完整是上述技术的难点。噪声使图像的细节变得模糊，降低了图像的质量，也增加了对图像进一步分析处理的难度。当变化信息被提取时，散斑的存在会导致一些错检的增加。因此，抑制噪声是变化检测过程中至关重要的工作之一。

发明内容

针对现有技术存在的问题，本发明提供了一种基于收缩自编码器特征学习的遥感图像变化检测方法。

本发明是这样实现的，一种基于收缩自编码器特征学习的遥感图像变化检测方法，所述基于收缩自编码器特征学习的遥感图像变化检测方法包括：