[发明专利]基于深度卷积神经网络的端对端高光谱图像变化检测方法

摘要

本发明提供了一种基于深度卷积神经网络的端对端高光谱图像变化检测方法。首先，对高光谱图像进行预处理，并提取所有像元的端元；然后，利用线性和非线性解混方法对高光谱图像进行混合像元分解，得到线性与非线性丰度图；接着，利用丰度图和原始像元信息计算亲和矩阵，并将其作为卷积神经网络的输入，训练得到用于变化检测的网络模型；最后，利用训练好的网络模型进行变化检测，得到最终的变化检测结果。由于亲和矩阵充分利用了高光谱图像的像元及亚像元的信息，而采用卷积神经网络进行端对端高光谱图像变化检测，将变化检测转换为简单的“变与不变”的二分类问题，可以有效地处理高光谱图像的高维信息，提高变化检测的鲁棒性和精度。

主权项

1.一种基于深度卷积神经网络的端对端高光谱图像变化检测方法，其特征在于步骤如下：步骤1：利用ENVI遥感图像处理软件对输入的两时相高光谱图像进行辐射校正、几何校正和图像配准预处理，得到预处理后的两时相高光谱图像；步骤2：采用Plaza A等2005年的工作An improved N‑FINDR algorithm in implementation[J]，Proceedings of SPIE‑The International Society for Optical Engineering,2005,5806:298‑306中提出的N‑FINDR端元提取算法对预处理后的两时相高光谱图像进行端元提取，得到两时相高光谱图像所有像元的端元；步骤3：对高光谱图像中的每一个像元，建立线性解混模型如下：其中，r表示高光谱图像中的一个像元，m表示像元r的端元总数，x_i为像元r的端元矩阵X中的第i列，w_li是像元r的线性丰度图wl的第i个元素，ε是随机噪声向量；利用全约束最小二乘法对公式(1)进行求解，即可得到像元r的线性丰度图wl；对两时相高光谱图像的每一个像元，均按此步骤上述过程进行处理，得到其线性丰度图；步骤4：对高光谱图像中的每一个像元，建立非线性解混模型如下：其中，⊙是点乘算子，xj为像元r的端元矩阵X中的第j列，wni是像元r的非线性丰度图wn的第i个元素，0≤wni≤1，aij是非线性模型的参数，满足：利用Yu J等2017年的工作Comparison of linear and nonlinear spectral unmixing approaches:a case study with multispectral TM imagery[J]，International Journal of Remote Sensing,2017,38(3):773‑795中提出的BFM方法对公式(2)进行求解，得到像元r的非线性丰度图wn；对两时相高光谱图像的每一个像元，均按此步骤上述过程进行处理，得到其非线性丰度图；步骤5：由高光谱图像中随机选取10％的像元作为训练数据集，剩余像元则构成测试数据集，对训练数据集中的每一个像元按照K＝1‑(R1‑R2)/R2计算得到其亲和矩阵K，其中，R1为第一时相高光谱图像中的像元和其线性丰度图、非线性丰度图直接相加得到的新的数据块，R2为第二时相高光谱图像中相同位置的像元和其线性丰度图、非线性丰度图直接相加得到的新的数据块；然后，将得到的亲和矩阵作为用于变化检测的卷积神经网络的输入，采用随机梯度下降法最小化损失函数，对网络进行有监督训练，得到训练好的网络模型；所述的用于变化检测的神经网络共包含4个卷积层，2个池化层，2个全连接层，其中，第一个卷积层采用64个大小为3×3的卷积核，输出结果输入第二个卷积层，第二个卷积层采用128个3×3的卷积核，输出结果输入第一个平均池化层，第一个平均池化层采用2×2的卷积核，输出结果输入到第三个卷积层，第三个卷积层采用256个3×3的卷积核，输出结果输入到第四个卷积层，第四个卷积层采用128个3×3的卷积核，结果输入到第二个平均池化层，第二个平均池化层采用2×2的卷积核，将输出结果转换为向量输入到一个包含512个神经单元的全连接层，再将输出结果输入到另一个包含2个神经元的全连接层，得到最终输出的分类结果；所述的损失函数为交叉熵函数；步骤6：对于测试数据集，先按照步骤5中的方法计算得到其每一个像元的亲和矩阵，然后将亲和矩阵输入到步骤5得到的训练好的网络模型，网络输出即为得到的变化检测结果。