[发明专利]基于深度可分离卷积网络的图像变化检测方法

摘要

本发明提出了一种基于深度可分离卷积网络的图像变化检测方法，用于解决现有图像变化检测方法中存在的检测准确度低的技术问题。实现步骤为：构建训练样本集、验证样本集和测试样本集，以全卷积网络的变体U‑Net为基础网络搭建深度可分离卷积网络，构建训练深度可分离卷积网络的损失函数，训练、测试并验证深度可分离卷积网络，利用已验证的最终训练好的深度可分离卷积网络进行测试，得到变化检测结果图。本发明通过深度可分离卷积网络提取的图像特征语义及结构信息丰富，对图像的表达能力及辨别性强，提高了变化检测检测准确度，可用于土地覆盖检测、灾难评估、视频监控等技术领域。

主权项

1.一种基于深度可分离卷积网络的图像变化检测方法，其特征在于包括如下步骤：(1)构建训练样本集、验证样本集和测试样本集：(1a)获取原始图像样本集：获取包含拍摄于同一地点不同时刻的多组图像样本对，并对每组图像样本对的真实变化区域进行标注，得到包含多个真实的手工标注图的原始图像样本集；(1b)对原始图像样本集中的每组图像样本对进行归一化：对原始图像样本集中的每组图像样本对进行归一化，得到归一化后的多组图像样本对；(1c)对归一化后的多组图像样本对进行更新：将归一化后的每组图像样本对中的t2时刻图像样本堆叠到t1时刻图像样本上，得到多幅两通道的图像样本；(1d)获取训练样本集、验证样本集和测试样本集：将多幅两通道的图像样本中的多数图像样本作为训练样本集，剩余图像样本中的一部分图像样本作为验证样本集，另一部分图像样本作为测试样本集；(2)搭建深度可分离卷积网络：(2a)将全卷积网络的变体U‑Net作为待搭建深度可分离卷积网络的基础网络；(2b)将待搭建深度可分离卷积网络的基础网络的卷积层配置为深度可分离卷积，得到深度可分离卷积网络；(3)构建训练深度可分离卷积网络的损失函数Loss：(3a)构建交叉熵损失函数BCE：其中，n为像素点的个数，yi为真实像素点的类别，yi为深度可分离卷积网络的输出值，i为第i个样本；(3b)构建加权的dice系数损失函数DICE_loss：其中，w为查准率和召回率的偏好控制参数；(3c)获取训练深度可分离卷积网络的损失函数Loss：Loss＝BCE+DICE_loss；(4)对深度可分离卷积网络进行训练：(4a)设定迭代次数N为1，损失函数最小阈值为Δl，学习率为α；(4b)将训练样本集输入到深度可分离卷积网络中，得到多个概率图，并计算每个概率图与其对应的真实手工标注图的损失函数，得到多个概率图与多个真实的手工标注图的损失函数LossN：其中，为第i个概率图与其对应的真实手工标注图的损失函数；(4c)判断损失函数LossN是否小于最小阈值Δl，若是，将损失函数LossN对应的深度可分离卷积网络作为训练后的深度可分离卷积网络，否则执行步骤(4d)；(4d)采用梯度下降法对深度可分离卷积网络的卷积层参数θ进行更新，得到卷积层参数为θnew的深度可分离卷积网络，θnew的计算公式为：(4e)令N＝N+1，同时将卷积层参数为θ的深度可分离卷积网络更换为卷积层参数为θnew的深度可分离卷积网络，并执行步骤(4b)；(5)对训练后的深度可分离卷积网络进行测试：将验证样本集中的多幅两通道的图像样本输入到训练后的深度可分离卷积网络中，得到验证样本集中的图像样本在原始图像样本集中对应的每组图像样本对发生变化的概率图，并对每个概率图进行二值化，得到多个二值图；(6)对训练后的深度可分离卷积网络进行验证：计算由训练后的深度可分离卷积网络输出的多个二值图的变化检测平均准确率，并判断其是否小于设定的准确率阈值，若是，调整学习率α，并执行步骤(4)，否则将多个二值图对应的深度可分离卷积网络作为最终训练好的深度可分离卷积网络，并执行步骤(7)；(7)对最终训练好的深度可分离卷积网络进行测试：(7a)将测试样本集中的多幅两通道的图像样本输入到最终训练好的深度可分离卷积网络中，得到测试样本集中的图像样本在原始图像样本集中对应的每组图像样本对发生变化的概率图；(7b)对每个概率图进行二值化，得到多幅变化检测结果图。