一种基于Siamese空谱联合卷积网络的高光谱变化检测方法技术

本发明专利技术公开了一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，包括以下步骤：采集两个同一区域内不同时间点的高光谱图像，去除其中信噪低的波段；依次对待检测的像素在前后两个时间点的高光谱图像中分别提取该像素及其邻域像素的光谱形成两个张量并配对；选择10%的像素作为训练像素，并人工标记张量对的变化情况；将用于训练的张量对输入由一维卷积和二维卷积组成的Siamese网络，并得到对应的特征向量；本发明专利技术保留了高光谱完整的光谱和空间特征，且识别速度快，还将光谱特征与空间特征融合并减少了噪声带来的影响，能够有效的识别两幅不同时相高光谱图像中人们感兴趣的变化区域，提高了变化检测的效率和精度。提高了变化检测的效率和精度。提高了变化检测的效率和精度。

【技术实现步骤摘要】
一种基于Siamese空谱联合卷积网络的高光谱变化检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于Siamese空谱联合卷积网络的高光谱变化检测方法。

技术介绍

[0002]随着遥感技术的发展，获取同一地区不同时相的高光谱图像成为可能；利用多时相的遥感影像数据进行变化检测在灾害评估、地形变化分析、城市变化检测分析等领域有着重要应用价值；包含上百个波段的高光谱图像所具有的丰富的光谱信息和空间信息使得地物观测有了更为强大的数据来源。
[0003]目前，对于波段数较低的多光谱变化检测任务，已有许多学者进行了研究，并提出了一些优秀的变化检测的算法。然而，在高光谱的变化检测问题中，适应于低维空间的变化检测算法在高光谱的高维空间中的效果不够显著；另外，由于高光谱图像中相邻波段的相关性较强，大量不必要的冗余信息也对特征提取提出了挑战；高光谱图像中的噪声是不可避免的，其中既有来自高光谱成像仪本身所带来的内部噪声，也有来自大气散射等外界因素的噪声；如果算法仅仅挖掘像素的光谱特征，变化检测的效果将被削弱；因此，需要设计一种基于Siamese空谱联合卷积网络的高光谱变化检测方法。

技术实现思路

[0004]本专利技术的目的是克服现有技术的不足，为更好的有效解决相关问题，提供了一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，有效的减少了网络学习的参数量，提升了变化检测的速度，还提高了变化检测的准确度。
[0005]为了达到上述目的，本专利技术所采用的技术方案是：
[0006]一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，包括以下步骤，
[0007]步骤(A)，采集两个同一区域内不同时间点的高光谱图像，去除其中信噪低的波段；
[0008]步骤(B)，依次对待检测的像素在前后两个时间点的高光谱图像中分别提取该像素及其邻域像素的光谱形成两个张量并配对；
[0009]步骤(C)，选择10％的像素作为训练像素，并人工标记张量对的变化情况；
[0010]步骤(D)，将用于训练的张量对输入由一维卷积和二维卷积组成的Siamese网络，并得到对应的特征向量；
[0011]步骤(E)，计算两个特征向量的欧氏距离作为该像素点对应两个张量的相似度；
[0012]步骤(F)，通过对比损失函数对Siamese网络进行优化；
[0013]步骤(G)，将像素的张量对输入优化后的Siamese网络计算出变化程度；
[0014]步骤(H)，通过阈值法对相似度进行二值化以生成最终的变化检测结果。
[0015]前述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，步骤(B)，依次对待检测的像素在前后两个时间点的高光谱图像中分别提取该像素及其邻域像素的光
谱形成两个张量并配对，其中具体步骤如下，
[0016]步骤(B1)，令代表第t个时间点的高光谱图像，其中h和w分别对应高光谱空间高度和宽度，c代表高光谱图像的波段数，t∈{1,2}；
[0017]步骤(B2)，将X
(t)
中的所有像素的光谱及其对应的邻域像素的光谱提取出来形成高光谱张量和其中b代表高光谱张量的空间维度，b＝3，i∈{1,2,
…
,hw}；
[0018]步骤(B3)，将相同像素的高光谱张量配对形成张量对集合
[0019]前述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，步骤(C)，选择10％的像素作为训练像素，并人工标记张量对的变化情况，其中是从hw个像素中选择10％的像素，并根据像素实际的变化情况对训练像素所对应的张量对进行人工标注得到Y
i
，且Y
i
＝0表示像素未变化，Y
i
＝1表示像素变化。
[0020]前述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，步骤(D)，将用于训练的张量对输入由一维卷积和二维卷积组成的Siamese网络，并得到对应的特征向量，其具体步骤如下，
[0021]步骤(D1)，将张量对中的2个3*3*c的高光谱张量通过5层尺寸为1*1*3的3D卷积进行光谱特征提取，形成2个3*3*80的特征张量；
[0022]步骤(D2)，将2个3*3*80的特征张量通过3层尺寸为3*3*1的3D卷积进行空间特征提取，形成2个特征向量和其中d表示特征向量的维数，且d＝80。
[0023]前述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，步骤(E)，计算两个特征向量的欧氏距离作为该像素点对应两个张量的相似度，其中计算的具体内容是计算2个特征向量和的欧氏距离而计算的公式如公式(1)所示，
[0024][0025]前述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，步骤(F)，通过对比损失函数对Siamese网络进行优化，其具体步骤是将训练像素对应的变化程度度量值和人工标注的实际变化标注值输入到对比损失函数中计算损失函数值，再依据损失函数值对Siamese网络中的参数进行反向更新优化，而对比损失函数Loss如公式(2)所示，
[0026][0027]其中，m表示特征向量距离阈值，且m＝1.5。
[0028]前述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，步骤(G)，将像素的张量对输入优化后的Siamese网络计算出变化程度，其中是通过计算
作为像素的变化程度度量。
[0029]前述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，步骤(H)，通过阈值法对相似度进行二值化以生成最终的变化检测结果，其具体步骤如下，
[0030]步骤(H1)，通过遍历法利用训练像素的人工标注和变化程度度量值确定变化阈值T，其具体步骤如下，
[0031]步骤(H11)，获取训练像素中的最小和最大变化程度度量值t
min
和t
max
；
[0032]步骤(H12)，设候选变化判定阈值T
j
＝t
min
+0.0001j，其中且T
j
∈[t
min
,t
max
]，其中T
j
是根据训练像素的变化情况度量值预测其变化情况，若则预测为0，则预测为1；
[0033]步骤(H13)，将预测结果与人工标注的Y
i
比较，计算预测正确的像素数量为则变化阈值T如公式(3)所示，
[0034][0035]步骤(H2)，基于变化阈值T判定所有像素的变化情况并生成变化检测结果图CM，其具体步骤如下，
[0036]步骤(H21)，基于像素的变化程度度量值和变化阈值T生成变化检测结果如公式(4)所示，
[0037][0038]步骤(H22)，将CM
i
变形最终的变化检测图
[0039]本专利技术的有益效果是：本专利技术的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，其特征在于：包括以下步骤，步骤(A)，采集两个同一区域内不同时间点的高光谱图像，去除其中信噪低的波段；步骤(B)，依次对待检测的像素在前后两个时间点的高光谱图像中分别提取该像素及其邻域像素的光谱形成两个张量并配对；步骤(C)，选择10％的像素作为训练像素，并人工标记张量对的变化情况；步骤(D)，将用于训练的张量对输入由一维卷积和二维卷积组成的Siamese网络，并得到对应的特征向量；步骤(E)，计算两个特征向量的欧氏距离作为该像素点对应两个张量的相似度；步骤(F)，通过对比损失函数对Siamese网络进行优化；步骤(G)，将像素的张量对输入优化后的Siamese网络计算出变化程度；步骤(H)，通过阈值法对相似度进行二值化以生成最终的变化检测结果。2.根据权利要求1所述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，其特征在于：步骤(B)，依次对待检测的像素在前后两个时间点的高光谱图像中分别提取该像素及其邻域像素的光谱形成两个张量并配对，其中具体步骤如下，步骤(B1)，令代表第t个时间点的高光谱图像，其中h和w分别对应高光谱空间高度和宽度，c代表高光谱图像的波段数，t∈{1,2}；步骤(B2)，将X
(t)
中的所有像素的光谱及其对应的邻域像素的光谱提取出来形成高光谱张量和其中b代表高光谱张量的空间维度，b＝3，i∈{1,2,
…
,hw}；步骤(B3)，将相同像素的高光谱张量配对形成张量对集合3.根据权利要求2所述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，其特征在于：步骤(C)，选择10％的像素作为训练像素，并人工标记张量对的变化情况，其中是从hw个像素中选择10％的像素，并根据像素实际的变化情况对训练像素所对应的张量对进行人工标注得到Y
i
，且Y
i
＝0表示像素未变化，Y
i
＝1表示像素变化。4.根据权利要求3所述的一种基于Siamese空谱联合卷积网络的高光谱变化检测方法，其特征在于：步骤(D)，将用于训练的张量对输入由一维卷积和二维卷积组成的Siamese网络，并得到对应的特征向量，其具体步骤如下，步骤(D1)，将张量对中的2个3*3*c的高光谱张量通过5层尺寸为1*1*3的3D卷积进行光谱特征提取，形成2个3*3*80的特征张量；步骤(D2)，将2个3*3*80的特征张量通...

【专利技术属性】
技术研发人员：詹天明，宋博，徐超，吴泽彬，
申请(专利权)人：南京审计大学，
类型：发明
国别省市：