[发明专利]一种基于SAE的遥感图像变化检测方法

摘要

本发明涉及一种基于SAE的遥感图像变化检测方法，使用堆叠自编码器(Stacked AutoEncoder，SAE)的训练方式，先训练好一个SAE，然后利用它对原始数据进行自主式特征提取；再用无监督的变化检测方法对两幅原始图像做变化检测，得到的粗变化检测结果；在去除掉一些疑似噪音的样本点后，将其作为教师数据对分类器进行训练；在训练分类器的同时也需要对SAE的参数进行微调。训练结束后，就可得到一种基于SAE的检测网络，从而利用该检测网络实现遥感图像变化检测。本发明将深度神经网络这种有监督的学习模型，与遥感图像变化检测这种无监督的图像分类问题巧妙地结合起来，并改进了特征和训练样本，提高了检测精度和检测的鲁棒性。

主权项

1.一种基于SAE的遥感图像变化检测方法，其特征在于步骤如下：步骤1：对不同时刻同一地点获取的两幅待检测遥感图像进行配准、辐射校正及几何校正；对校正后的图像数据进行原始特征提取，提取方法是：提取以每个坐标点为中心3*3的图像块，组成一个18维的向量，并进行归一化；再加入2维的图像点归一化的坐标信息，拓展成为一个20维向量，作为一个检测样本点的原始特征；步骤2：以提取到的原始特征作为输入对堆叠自编码器SAE进行无监督的训练；步骤3：计算两幅待检测图像的差分图像，对差分图像使用基于同质区域的马尔科夫随机场算法得到粗变化检测结果图；如果待检测图像是光谱图像，则对两幅待检测图像进行绝对值差分，得到差分图像；如果是合成孔径雷达SAR图像，则使用取对数差分，得到差分图像；步骤4：通过坐标将步骤1获得的原始特征与步骤3中获得的粗变化检测结果图进行配对，对于在粗变化检测结果图中与自身8邻域结果均不相同的输出点，去掉与它们配对对应的样本点；步骤5：在堆叠自编码器SAE后构造逻辑回归分类器形成基于SAE的检测网络，然后将筛选后的样本点数据，作为基于SAE的检测网络的输入样本，对基于SAE的检测网络进行训练；训练方法为：将步骤4精炼后的变化检测结果作为输入样本的教师信号,采用误差的反向传播BP算法微调SAE的参数；迭代次数为200到300次；步骤6：训练终止后，利用训练好的基于SAE的检测网络对待测样本进行检测，得到最终变化检测结果图；所述步骤2的堆叠自编码器SAE的隐层层数为2到9，每层中节点个数取5到35；所述步骤2的训练方法为堆叠自编码器SAE进行无监督训练的常规训练方法。