【技术实现步骤摘要】
本专利技术属于遥感图像处理，涉及一种高光谱图像域适应变化检测方法、设备及软件产品，尤其涉及一种融合相关性对齐和光谱注意力特征的高光谱图像域适应性变化检测。
技术介绍
1、变化检测通过比较不同的数据集来识别和分析特定区域的变化情况，通常被用于灾害评估、城市规划和建筑物损坏评估等多个领域(文献1、2)。高光谱图像由于包含丰富的光谱信息，可为探测遥感图像中不断变化的地理要素提供更多的决策支持。因此，高光谱图像在变化检测中的应用日益广泛，有助于更深入地了解和分析地理要素的变化情况。
2、传统的变化检测方法主要可划分为三大类别(文献3、4)：首先，是基于图像代数的方法，它主要通过分析像素间的光谱差异来有效地检测遥感图像中的显著变化；其次，是基于变换的方法，这种方法通过将原始遥感图像映射到特定的特征空间，进而捕捉并提取图像中的关键变化；最后，是基于分类的方法，它主要通过比较遥感图像中地理要素标签的差异来准确识别变化区域。然而，传统的变化检测方法往往过多地关注于浅层特征的提取，这在一定程度上限制了对遥感图像信息全面而深入的了解和利用。
3、卷积神经网络因其在提取深层特征方面的强大功能而在备受关注，并且在高光谱变化检测中也得到很好的应用(文献5、6、7)。高光谱图像的变化检测往往是通过比较不同数据集的差异来识别变化的信息。然而，由于成像时间、传感器差异等因素，所得到的高光谱图像常常会存在图像间的特征分布差异，这大大地增加了变化检测的复杂性。因此，如何有效地减小不同时相高光谱图像间的特征分布差异，并降低模型对变化信息的过度
4、参考文献：
5、[1]sicong liu,daniele marinelli,lorenzo bruzzone,and francescabovolo,”areview of change detection in multitemporal hyperspectral images:currenttechniques,applications,and challenges,”ieee geosci.remotesens.mag.,2019,
6、vol.7,no.2,pp:140-158.
7、[2]lorenzo bruzzone,and francesca bovolo,”a novel framework forthedesign ofchange-detection systems for very-high-resolution remotesensingimages,”proc.
8、ieee,2012,vol.101,no.3,pp:609-630.
9、[3]xiaofeng zhang,shuli cheng,liejun wang,and haojinli,”asymmetriccross-attention hierarchical network based on cnn andtransformerforbitemporal remote sensing images change detection,”ieee trans.
10、geosci.remote sens.,2021,vol.60,pp:1-12.
11、[4]zengfu hou,wei li,lu li,ran tao,and qian du,”hyperspectralchangedetection based on multiple morphological profiles,”ieeetrans.geosci.remotesens.,2022,vol.60,pp:1-12.
12、[5]meiqi hu,chen wu,and liangpei zhang,”hypernet:
13、self-supervisedhyperspectral spatial spectral feature understandingnetwork forhyperspectralchange detection,”ieee trans.geosci.remote sens.,2022,vol.60,pp:1-17.
14、[6]jigang ding,xiaorun li,shu xiang,and shuhan chen,”multilevelfeatures fusedand change information enhanced neural networkforhyperspectral image changedetection,”ieee trans.geosci.remotesens.,2023.
15、[7]xianghai wang,keyun zhao,xiaoyang zhao,and siyao li,”tritf:atriplettransformer framework based on parents and brother attentionforhyperspectralimagechange detection.”ieee trans.geosci.remotesens.,2023,vol.61,pp:1-13.
技术实现思路
1、为了缓解现有技术存在的不足，本专利技术提供了一种精度高、效率高的融合相关性对齐和光谱注意力特征的高光谱图像域适应变化检测方法、设备及软件产品。
2、第一方面，本专利技术提供了一种高光谱图像域适应变化检测方法，包括以下步骤：
3、步骤1：将同一地区第一个时间点获取的高光谱遥感图像和第二个时间点获取的不同时间的高光谱遥感图像其中，c、h、w分别指高光谱遥感图像的光谱维度，长度，宽度，基于孪生网络，提取t1和t2的差异深度特征fdf；
4、步骤2：基于孪生网络提取t1和t2的深度特征和并且根据深度特征构建相关性对齐损失
5、步骤3：基于通道注意力机制的卷积神经网络，提取t1和t2的增强差值特征fdi；
6、步骤4：将深度特征fdf和深度特征fdi直接相加，获得融合特征ff；
7、步骤5：基于kullback-leibler散度，构建fdf和fdi的损失函数促进特征融合，并将融合特征ff输入到softmax层中，得到变化检测结果。
8、作为优选，步骤1中，基于孪生网络提取t1和t2的深度特征和并通过深度特征构建差异深度特征fdf；
9、所述孪生网络，首先将t1或t2分别通过本文档来自技高网...
【技术保护点】
1.一种高光谱图像域适应变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的高光谱图像域适应变化检测方法，其特征在于：步骤1中，所述孪生网络，首先将T1或T2分别通过二维卷积神经网络处理后输出其中，是经过二维卷积神经网络处理后的时相T1或T2的特征输出，W1/2为卷积权重，B1/2为偏置权重，σ(·)为激活函数；然后将和相减，并且取绝对值得到差异特征其中|·|表示取绝对值的操作；再将差异特征输入一个二维卷积神经网络提取深层差异特征，最后将深层差异特征TDF投入到全连接层得到差异深度特征FDF。
3.根据权利要求1所述的高光谱图像域适应变化检测方法，其特征在于：步骤2中，所述相关性对齐损失，基于孪生网络提取T1和T2的深度特征T1fea和T2fea；训练过程中，损失函数之一采用的是域适应的相关性对齐损失函数
4.根据权利要求1所述的高光谱图像域适应变化检测方法，其特征在于：步骤3中，基于卷积神经网络提取增强差值特征FDI；所述网络包括通道注意力机制、二维卷积神经网络和全连接层；
5.根据权利要求1-4任一项所述的高光谱图
6.一种高光谱图像域适应变化检测设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述高光谱图像域适应变化检测方法。
7.一种软件产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述高光谱图像域适应变化检测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述高光谱图像域适应变化检测方法。
...【技术特征摘要】
1.一种高光谱图像域适应变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的高光谱图像域适应变化检测方法，其特征在于：步骤1中，所述孪生网络，首先将t1或t2分别通过二维卷积神经网络处理后输出其中，是经过二维卷积神经网络处理后的时相t1或t2的特征输出，w1/2为卷积权重，b1/2为偏置权重，σ(·)为激活函数；然后将和相减，并且取绝对值得到差异特征其中|·|表示取绝对值的操作；再将差异特征输入一个二维卷积神经网络提取深层差异特征，最后将深层差异特征tdf投入到全连接层得到差异深度特征fdf。
3.根据权利要求1所述的高光谱图像域适应变化检测方法，其特征在于：步骤2中，所述相关性对齐损失，基于孪生网络提取t1和t2的深度特征t1fea和t2fea；训练过程中，损失函数之一采用的是域适应的相关性对齐损失函数
4.根据权利要求1所述的高光谱图像域适应变化检测方法，其特征在于：步骤3中，基于卷积神...
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。