[发明专利]基于深度卷积神经网络的端对端高光谱图像变化检测方法

说明书

本发明提供了一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。首先，对高光谱图像进行预处理，并提取所有像元的端元；然后，利用线性和非线性解混方法对高光谱图像进行混合像元分解，得到线性与非线性丰度图；接着，利用丰度图和原始像元信息计算亲和矩阵，并将其作为卷积神经网络的输入，训练得到用于变化检测的网络模型；最后，利用训练好的网络模型进行变化检测，得到最终的变化检测结果。由于亲和矩阵充分利用了高光谱图像的像元及亚像元的信息，而采用卷积神经网络进行端对端高光谱图像变化检测，将变化检测转换为简单的“变与不变”的二分类问题，可以有效地处理高光谱图像的高维信息，提高变化检测的鲁棒性和精度。

技术领域

本发明属图像处理技术领域，具体涉及一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。

背景技术

变化检测作为遥感图像分析中观测地物的一项重要应用，为土地覆盖和利用、自然灾害监测以及资源勘探等提供了有效的技术手段。在众多遥感图像中，高光谱图像含有丰富的光谱信息，可以根据光谱特征显示出其他遥感图像无法检测出的微小的变化，反映出可见光数据所忽略的变化信息，能够更快、更好、更精确地反映地物的变化情况。根据在检测前是否需要对同一地域进行分类，可以将高光谱图像变化检测方法分为两大类：后分类变化检测和直接比较变化检测，前者先将不同时相的高光谱图像进行分类，然后比较同一地理位置分类后地物类别的不同，后者则直接比较同一地理位置不同时相的像元差异。Nielsen,A.A.在文献“The regularized iteratively reweighted MAD method forchange detection in multi-and hyperspectral data.[J].IEEE Transactions onImage Processing,2007,16(2):463-478.”中提出基于迭代权重多元变化分析的高光谱图像变化检测方法，利用典型相关分析原理，先给高光谱图像的每个像元赋初始权重，然后在每次迭代过程中赋予其新的权值，最后将权值的大小作为是否发生变化的依据，其中未发生变化的像元有较大的权值，发生变化的像元有较小的权值。该方法存在的问题是，首先，没有对高光谱图像进行解混处理，高光谱图像中含有大量的混合像元，未进行解混处理会大大降低变化检测的精度；其次，此方法对高维度数据的处理较为复杂，需要加正则项，计算量较大。

发明内容

为了克服现有高光谱图像变化检测方法鲁棒性差的不足，本发明提供一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。首先，对高光谱图像进行预处理，并提取所有像元的端元；然后，利用线性和非线性解混方法对高光谱图像进行混合像元分解，得到亚像元级别的线性与非线性丰度图；接着，利用丰度图和原始像元信息计算亲和矩阵，并将其作为卷积神经网络的输入，训练得到用于变化检测的网络模型；最后，利用训练好的网络模型进行变化检测，得到最终的变化检测结果。由于根据输入亲和矩阵的数据特性，利用局部共享卷积核进行卷积操作，将变化检测任务转换为简单的“变与不变”的二分类问题，可以有效地处理高光谱图像的高维信息，提高变化检测的鲁棒性。

一种基于深度卷积神经网络的端对端高光谱图像变化检测方法，其特征在于步骤如下：

步骤1：利用ENVI遥感图像处理软件对输入的两时相高光谱图像进行辐射校正、几何校正和图像配准预处理，得到预处理后的两时相高光谱图像。

步骤2：采用Plaza A等2005年的工作An improved N-FINDR algorithm inimplementation[J]，Proceedings of SPIE-The International Society for OpticalEngineering,2005,5806:298-306中提出的N-FINDR端元提取算法对预处理后的两时相高光谱图像进行端元提取，得到两时相高光谱图像所有像元的端元。

步骤3：对高光谱图像中的每一个像元，建立线性解混模型如下：