[发明专利]一种基于深度网络的遥感影像变化检测方法及系统

权利要求书

1.一种基于深度网络的遥感影像变化检测方法，其特征在于：包括，

利用两个对称的深度网络模型投影双时遥感图像的输入数据；

结合慢特征分析策略抑制投影后无变化像素并突出显示变化像素；

基于变化向量检测策略选择高置信度的无变化像素作为训练样本；

基于搜索策略的建立深度网络检测模型，输入所述训练样本进行训练；

所述检测模型基于卡方距离计算所述训练样本的变化强度，并输出检测结果。

2.如权利要求1所述的基于深度网络的遥感影像变化检测方法，其特征在于：对所述双时遥感图像的输入数据投影包括,

定义双时遥感图像为图像X和图像Y，X,Y∈R^m*n，对于图像X其第一个隐藏层的输出如下，

其中，m：特征带，n：像素的数目，权重矩阵，偏置向量，s(·)表示激活函数，p_i表示网络的第i隐藏层的节点数，q表示输出层的节点数；

定义一个有h层隐藏层的网络，融入特征的前后反馈操作，根据所述特征之间的关联性和冗余性，过滤和优化特征网络层，其最终的输出如下：

由输出层映射，网络的最终转换特征如下：

则图像Y，其Y_φ表示对称的表达式如下：

3.如权利要求1或2所述的基于深度网络的遥感影像变化检测方法，其特征在于：所述慢性特征分析策略包括，

定义慢特征分析的目标函数如下，

其中，x_i,y_i∈R^m表示双时相遥感图像中的对应像素，m表示频带数，n表示像素总数，x和y表示根据专家知识进行筛选的像素区域，ω表示权值。

4.如权利要求3所述的基于深度网络的遥感影像变化检测方法，其特征在于：所述深度网络检测模型包括，

所述模型由n个流构成，分别为图像信息和文本信息；

所述n个流的结构完全相同，每个流都由6个层组成，所述6个层包括输入层；

每层节点数分别为128、128、10。

5.如权利要求4所述的基于深度网络的遥感影像变化检测方法，其特征在于：所述基于搜索策略的建立深度网络检测模型包括，

基于所述深度网络模型，假设y表示检测到的窗口；

基于概率的角度，得到y的数据分布p(y),其表达式如下：

其中，q(x)表示数据上的经验分布；

所述模型被降解为底层的分布p(y|v)和高层的分布p(v)；

设置来实现p(y|v)：

其中，公式p(y|v)用平均场理论来进行计算；

定义相邻层的优化算法，需要逐层训练参数，概率分布如下：

其中，k,j∈n,且k≠j,表示层sⁱ⁺¹和sⁱ之间的相关性，表示投票函数和其他部分之间的相关性的权值，和表示偏置项。

6.如权利要求5所述的基于深度网络的遥感影像变化检测方法，其特征在于：选择所述训练样本包括，

归一化和预处理所述遥感图像；

采用CVA和K-Means策略二值化归一化和预处理后的遥感图像得到输入多时相图像的差分图和二值变化图；

从所述未改变区域中随机选择所述训练样本。

7.如权利要求6所述的基于深度网络的遥感影像变化检测方法，其特征在于：利用所述检测模型进行训练的过程包括，

定义学习率为10^-5并输入所述训练样本进行训练；

迭代训练2000轮，直至获得所述双时相遥感图像投影时结束训练。

8.如权利要求7所述的基于深度网络的遥感影像变化检测方法，其特征在于：利用所述卡方距离计算变化强度，如下，

其中，n：特征带数，σ²：统计分析得到的各特征带的方差。