【技术实现步骤摘要】
本专利技术属于图像处理，涉及一种基于深度对抗度量学习网络的异质遥感图像变化检测方法。
技术介绍
1、遥感图像变化检测是一种分析同一地理区域在不同时间获取的遥感图像的技术，目的是获取该时期内该区域发生的变化信息。这项技术已经广泛应用于遥感信息处理、计算机视觉、城市建筑监测、土地覆盖变化等领域。随着遥感成像技术的快速发展和遥感卫星数量的增加，人们可以获取到大量不同类型的遥感图像。然而，不同传感器采集的图像在成像原理、几何特性和辐射特性上存在很大差异，即使是同一地物在不同传感器图像中反映的物理特性也不同。相对于同质图像，这种地物目标的异质图像让变化检测任务更加困难，因为它们使得获取准确的变化信息更具挑战性，解决这个问题有助于提高遥感数据的应用效果和信息提取能力。
技术实现思路
1、本专利技术的目的是提供一种基于深度对抗度量学习网络的异质遥感图像变化检测方法，采用该方法能够实现完全无监督的实现端到端地对变化区域进行检测。
2、本专利技术所采用的技术方案是，基于深度对抗度量学习网络的异质遥感图像变化检测方法，具体包括如下步骤：
3、步骤1，构建双边卷积自编码数据转换网络作为生成网络；
4、步骤2，构建基于全连接网络的判别网络，使该判别网络与步骤1中的生成网络构成对抗网络，并构建对抗网络的对抗损失函数；
5、步骤3，利用深度度量学习的方法构建对抗网络的背景区域先验；
6、步骤4，在步骤3的基础上，构建基于深度度量学习的对抗网络的总损失
7、步骤5，训练对抗网络，训练完成后，输入异质遥感图像x和y进行变化检测。
8、本专利技术的特点还在于：
9、步骤1的具体过程为：
10、步骤1.1，采用编码器ey和解码器dx构建双边卷积自编码网络，编码器ey和解码器dx均由卷积层构成；
11、步骤1.2，对于图像y，对源自图像y的随机图像，使用编码器ey提取图像的语义信息，再使用图像x的解码器dx对隐藏层的特征进行还原，生成具有图像i2语义信息，同时又具有图像x风格的图像，即：
12、
13、步骤1.3，对于图像x，对源自图像x的随机图像，使用编码器ex提取图像的语义信息，再使用图像y的解码器dy对隐藏层的特征进行还原，生成具有图像i1语义信息，同时又具有图像y风格的图像，即：
14、
15、步骤1.4，为了使生成的图像与原图像具有语义一致性，使用转换损失函数ltrans对域转换过程进行约束：
16、
17、其中，函数g分别用于度量图像i2与生成的异质图像之间、图像i1与生成的异质图像之间的距离；
18、步骤1.5，对原图像和生成图像通过高斯核函数分别获得相应的仿射矩阵和其中n＝h*w，相应地，对于图像x的图像i1和对应的生成图像有和联合构建损失函数，高斯核函数如下公式(4)所示，转换损失函数ltrans如下公式(5)所示：
19、
20、其中，di,j表示原图像和生成图像中第i个和第j个像素的距离，σ为内核宽度；
21、
22、其中，|| ||2用来度量仿射矩阵中所有像素对之间的跨域距离。
23、步骤2的具体过程为：
24、步骤2.1，使用全连接网络构建判别器p1和p2作为判别网络，使判别网络和生成网络形成对抗网络；
25、步骤2.2，使用图像x的图像i1，i1的重建图像i2的跨域生成图像构建图像对；
26、步骤2.3，将原始异构图像i1和i2送入双边卷积自编码网络中的编码器ey，将输入图像i1用ex编码，然后用dx重构，ex和dx是编码器-解码器对，即：
27、
28、同样，在图像i2上实现了另一对编解码器ey和ey，即
29、
30、步骤2.4，构建基于不变区域的对抗损失函数lcomtra1如下：
31、
32、步骤2.5，构建基于变化区域的对比损失函数lcomtra2如下：
33、
34、其中，m是用于度量期望输出和预测输出之间损失的均方误差。
35、步骤3的具体过程为：
36、双时态图像在经过各自的编码器进行编码后，均使用i2的解码器重构得到具有i2图像风格的图像，此时图像与处于公共数据域中，直接使用距离函数对图像进行相似度度量学习，将特征向量化之后使用结构度量聚类对向量进行二分类，进而直接获取最终差异图像的判别信息，使用欧式距离对特征进行像素级的距离判定，通过该距离函数进行多次迭代更新获得图像对的分类结果，距离函数f(pi,c1,c2)如下：
37、
38、其中，n＝w*h是图像的像素总数，pi表示第i个像素点，c1,c2表示两个聚类中心，初始时采用随机中心，|| ||2表示欧式距离。
39、步骤4中，构建的总损失函数ltotal如下公式(11)所示：
40、ltotal＝αltrans+β(lcontra1+lcontra2)+f(pi,c1,c2) (11)
41、其中，权重α和β是超参数。
42、步骤5的具体过程为：
43、利用步骤4中的总损失函数训练对抗网络，对抗网络训练结束后，将异质遥感图像x和y输入训练好的对抗网络中，利用嵌入的度量学习获得的判别性特征结果，进而划分变化区域和非变化区域，变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。
44、本专利技术的有益效果是，首先构建双边卷积自编码网络数据转换，构建损失函数，使得具有异质特征原图像与生成图像间保持内在图结构信息的一致，然后构建对抗机制目标函数，对约束原图和对应异质图像进行风格一致性约束，再构建背景区域先验，获取最终差异图像的判别信息，接着优化深度度量学习目标函数设计及网络，利用总损失函数平衡两个损失项对优化结果的影响，生成预期的类似于差异图的判别性特征，最后对度量学习结果的变化类区域标记为“1”，非变化类标记为“0”，输出最终的变化检测结果。本专利技术能够做到完全无监督的实现端到端地对变化区域进行检测。
本文档来自技高网...【技术保护点】
1.基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：所述步骤1的具体过程为：
3.根据权利要求2所述的基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：所述步骤2的具体过程为：
4.根据权利要求3所述的基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：所述步骤3的具体过程为：
5.根据权利要求4所述的基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：所述步骤4中，构建的总损失函数Ltotal如下公式(11)所示：
6.根据权利要求5所述的基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：所述步骤5的具体过程为：
【技术特征摘要】
1.基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：具体包括如下步骤：
2.根据权利要求1所述的基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：所述步骤1的具体过程为：
3.根据权利要求2所述的基于深度对抗度量学习网络的异质遥感图像变化检测方法，其特征在于：所述步骤2的具体过程为：
4.根据权利要求3所述的基...
【专利技术属性】
技术研发人员：杜占河，贾萌，娄向宇，李田田，熊晨惠，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。