[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

说明书

本发明公开了一种基于深度网络的遥感影像变化检测方法及系统，包括，输入模块包括两个对称的深度网络用于投影双时相图像的输入数据；检测模块用于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所述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；输出模块用于所述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。本发明与其他检测方法的对比结果可看出，我们提出的检测方法在各项评测标准上总体表现是最好的，并且具有很好的可分辨性和较高的鲁棒性。

技术领域

本发明涉及图像处理和神经网络技术领域，尤其涉及一种基于神经网络的遥感影像变换检测方法。

背景技术

近年来，变化检测算法主要分为以下几类：(1)图像代数方法，主要包括图像差分、图像比值、图像回归和变化向量分析。这些方法直接计算多时相遥感图像之间的差异；(2)图像变换方法，变换组合多时相遥感图像的特征带，提取其有效特征，主要包括PCA，MAD、GrammSchmidt变换(GS)和独立成分分析；(3)其他先进的方法如基于小波变换、局部渐进下降、马尔可夫随机场等算法。但这些方法面对数据规模不断增大、精度要求不断变高的现状时，已经不能满足实际需求。

在各种变化检测算法中，图像变换方法的研究和应用最为广泛，图像变换的基本思想是将原始的多波段图像投影到一个新的特征空间中，以更好地分离改变和未发生改变的像素，在这个过程中，最关键的是要找到一种高效的投影算法用来提取某些确定的特征。多时相遥感图像中变化像素的特征差异总是向不同方向变化的，而不变像素的特征一般是不变的。然而，由于自然环境和传感器校准等因素的影响，一些不变的像素会产生微小的差异，与发生变化的像素相比，未发生改变的像素通常具有一致的方向。通过最小化不变像素的特征变化来突出显示和分离变化的像素。受此启发，人们提出慢特征分析来检测遥感影像发生的变化，并且取得了不错的效果。

慢特征分析是一种特征学习算法，它从输入信号中提取不变和缓慢变化的特征，它已成功地应用于解决各种现实问题，如人类行为识别、动态纹理识别和时间序列分析等。在变化检测问题中，变化像素和不变像素分别对应于慢特征分析中的快变化特征和慢变化特征。基于这一理论，有的学者使用慢特征分析来抑制缓慢变化的不变像素之间的光谱差异，以便能够突出显示和很好地检测变化的像素，通过求解慢特征分析问题，可以得到映射原始数据的投影矩阵，从而抑制未改变的分量。所有这些算法在实际遥感图像中都表现出了良好的性能。然而，受特征表示能力的限制，线性慢特征分析算法有时无法分离变化和不变的像素，可通过包括将原始特征投影到高维复杂特征空间，以提高模型的复杂性和特征表示能力的方法解决。

深度网络具有很强的非线性函数表示能力，可以将原始特征投影到更复杂的特征空间，由于数据和计算资源的不断增加，深度神经网络近年来得到广泛应用。为了完成分类、检测、分割、特征映射等不同的任务，人们开发了多种网络。近年来，深度网络也被应用于学习高度相关数据集的非线性变换，并取得了很好的效果。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在面对数据规模不断增大、精度要求不断变高时，不能满足实际需求的问题，提出了本发明。

因此，本发明解决的技术问题是：根据现有技术不足，提供一种遥感影像变化检测方法，对大量的双时相遥感图像进行变换检测，取得了很好的检测效果。

为解决上述技术问题，本发明提供如下技术方案：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。