[发明专利]基于半监督孪生网络的异质遥感图像变化快速检测方法

说明书

本发明公开了一种基于半监督孪生网络的异质遥感图像变化快速检测方法，包括如下步骤：获取变化前后的两幅异质遥感图像并进行配准；以在ImageNet中预训练的两个相同结构的VGG子网络为基础构造半监督孪生网络；在两幅异质遥感图像的相同位置，分别提取少量以图像小块为单位的非变化区域，作为训练样本；构造损失函数，通过最小化损失函数，训练半监督孪生网络中的高层级特征以适应两幅异质遥感图像，获得两幅异质遥感图像的同质特征；以两幅异质遥感图像作为半监督孪生网络输入，提取变化差异图；利用Otsu算法对变化差异图二值化，得到最终的变化检测图。本发明能够准确检测异质遥感图像变化区且检测效率高。

技术领域

本发明涉及遥感图像融合目标检测技术领域，尤其是涉及一种基于半监督孪生网络的异质遥感图像变化快速检测方法。

背景技术

异质遥感图像的场景特指变化前后的遥感图像互为异质。异质遥感图像变化检测常应用于灾害监测、军事侦查等要求准确性和时效性的领域。因此，在异质遥感图像中快速和准确地检测变化区域是极具研究价值的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种基于半监督孪生网络的异质遥感图像变化快速检测方法，能够准确检测异质遥感图像变化区且检测效率高。

根据本发明实施例的基于半监督孪生网络的异质遥感图像变化快速检测方法，其特征在于，包括如下步骤：

获取变化前后的两幅异质遥感图像并进行配准；

以在ImageNet中预训练的两个相同结构的VGG子网络为基础构造所述半监督孪生网络，其中，两个所述VGG子网络在ImageNet中预训练后能够捕捉自然图像的低层级特征；

在两幅所述异质遥感图像的相同位置，分别提取少量以图像小块为单位的非变化区域，作为训练样本；

构造损失函数，通过最小化所述损失函数，训练所述半监督孪生网络中的高层级特征以适应两幅所述异质遥感图像，获得两幅所述异质遥感图像的同质特征；

以两幅所述异质遥感图像作为所述半监督孪生网络输入，提取变化差异图；

利用Otsu算法对所述变化差异图二值化，得到最终的变化检测图。

根据本发明实施例的基于半监督孪生网络的异质遥感图像变化快速检测方法，通过两个相同结构的VGG子网络预先在ImageNet数据集中进行训练，两个所述VGG子网络在ImageNet中预训练后能够捕捉自然图像的低层级特征，以这两个在ImageNet中预训练的VGG子网络为基础构建半监督孪生网络，通过在两幅所述异质遥感图像的相同位置，分别提取少量以图像小块为单位的非变化区域，作为训练样本，并通过最小化损失函数和调节VGG子网络中高层级特征训练所需的网络权重，来训练所述半监督孪生网络中的高层级特征，以适应两幅所述异质遥感图像；再以两幅所述异质遥感图像作为所述半监督孪生网络输入，提取变化差异图，利用Otsu算法对所述变化差异图二值化，得到最终的变化检测图，可以准确地反应异质遥感图像变化区域。此外，由于半监督孪生网络是由两个在ImageNet中预训练的VGG子网络为基础构建的，这样，可以避免对半监督孪生网络中的低层级特征的网络参数的重复训练；由于高层级特征所需训练的网络权重，占VGG子网络整体权值的比例较小，这样，对高层级特征的训练能够节约大量运算，提高网络训练的效率；由此，本发明实施例的基于半监督孪生网络的异质遥感图像变化快速检测方法极大地缩短了检测的时间，提升了变化检测的效率。

根据本发明的一个实施例，所述VGG子网络具有多尺度多层次结构，以能够保证所述高层特征和所述低层级特征的分离。