[发明专利]基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法

摘要

本发明公开了一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，步骤(1)、选取训练样本；步骤(2)、确定DCCAE网络参数，得到能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络；步骤(3)、将两幅多时相完整图像输入到训练好的DCCAE网络中，使得两幅图像在潜在空间相对光谱对齐，得到其在潜在空间的表示。与现有技术相比，本发明首次将深度神经网络应用到多时相跨传感器遥感图像相对光谱对齐算法中，有效提高了光谱对齐的准确率。

主权项

一种基于DCCAE网络的多时相跨传感器遥感图像相对光谱对齐算法，其特征在于，该算法包括以下步骤：步骤(1)、选取训练样本，即根据groundtruth随机选取一定数量的未发生变化的像元(即标签为0的像素点)作为训练样本；步骤(2)、确定计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，得到能够使得关联性最大并且重构误差最小的网络参数，构建训练好的DCCAE网络，具体包括：将训练样本输入DCCAE网络，分别用两个神经网络f和g来提取图像X和Y的非线性特征，将提取出的非线性特征f(X)和g(Y)之间的关联性最大化，同时分别用重构自编码网络p和q来重构两个图像，利用梯度下降法优化重构误差和特征表示的关联性，损失函数表示为：该公式表示同时最大化特征表示的关联性和最小化两幅图像的重构误差；约束条件公式：$\begin{array}{cc}s.t.& U^T\left(\frac{1}{N}f\right(X)f{\left(X\right)}^T+r_{x}I)U=I\end{array},$$V^T\left(\frac{1}{N}g\right(Y)g{\left(Y\right)}^T+r_{y}I)V=I,$u_i^Tf(X)g(Y)^Tv_j＝0,fori≠j,其中，W_f,W_g,W_p,W_q分别表示f、g、p、q网络的权值，U＝[u₁,...,u_L]和V＝[v₁,...,v_L]表示典型相关分析的映射函数，分别将神经网络f和g输出的结果映射到潜在空间，λ＞0表示平衡参数，N表示样本点的个数，(r_x,r_y)＞0表示样本协方差估计的正则化参数；通过多次训练，计算出DCCAE网络中f、g、p、q网络每一层的权值和偏置值，构建训练好的DCCAE网络；步骤(3)、将第一幅图像X和第二幅图像Y输入分别到训练好的DCCAE网络中的f网络和g网络中，网络输出结果为f(X)和g(Y)，f(X)和g(Y)是X和Y在潜在空间的表示，实现了二者在潜在空间的相对光谱对齐。