[发明专利]聚类引导深度神经网络分类的多源图像变化检测方法

说明书

本发明公开了一种聚类引导深度神经网络分类的多源图像变化检测方法，避免了传统的变化检测中的前期产生差异图的步骤，克服了多源图像变化检测需要产生差异图的弊端。其实现步骤为：输入光学图像的灰度矩阵；对光学图像进行模糊聚类得到分割后的灰度矩阵；对聚类分割后的光学图像做标记；对光学图像和TM图像进行采样；从TM图像中选取训练样本；训练栈式稀疏自动编码器SAE；利用标签对网络参数进行微调；把TM图像输入到网络输出分类后的图像；对两幅分类后的图作对数比；得到变化检测结果。本发明摒弃了差异图的构造环节，适用于多源遥感图像变化检测，具有受噪声影响小、变化检测结果分类精度高等优点。

技术领域

本发明属于图像处理技术领域，主要涉及深度神经网络与遥感图像处理领域的结合，主要解决遥感图像的变化检测问题，具体提供由聚类引导深度神经网络分类的多源图像变化检测方法，用于多源图像的变化检测，广泛应用于航天、地物覆盖与利用、地震灾害检测与评估等领域。

背景技术

计算机数字图像处理、模式识别、人工智能，以及传感器数据融合技术不断发展，给遥感图像的自动变化检测提供了更多的技术保障。近二十年来，遥感图像的变化检测方法不断更新，变化检测技术取得了可喜成就，检测方法日益成熟。

遥感影像变化检测技术是指利用不同历史时期的覆盖同一地表区域的多源遥感影像和相关地理数据，结合对应地物特性和遥感成像机理，采用图像图形处理理论及数理模型方法，确定和分析该区域地物的变化，包括地物位置、范围的变化和地物性质状态的变化。变化检测作为遥感图像分析中的一项重要应用，为环境监测、资源勘探、灾害救援与治理提供了有效的技术手段。

目前广泛运用的图像变化检测方法主要基于同一传感器所获取的影像，称作同源图像处理，一般先产生差异图，再去差异图进行处理，最终获得变化检测结果。对于由不同传感器所获取的多源图像变化检测方法，也称作多源图像处理，各国学者从不同的角度研究了大量的变化检测方法和理论模型，传统的方法如代数法、时序分析法等，根据影像差值法或比值法产生差异图，再对阈值进行选择，该类方法算法简单易实现，并且部分变换方法能有效对维数约减，缺点在于难以克服由于大气条件，传感器噪声和大气辐射的差异性带来的干扰，影响最终的检测结果。随着变化检测方法应用的不断深入，对于由不同传感器所获得的影像运用先产生差异图的变化检测方法的检测结果的精度难以满足当前图像处理的要求，已很难适应于当前人类生产需求。

本发明主要是基于该点，提出了一种不需产生差异图而对两幅多源图像进行变化检测的方法，并且取得了良好的效果。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提供了一种不需产生差异图，检测精度高的聚类引导深度神经网络分类的多源图像变化检方法。

1.本发明是一种聚类引导深度神经网络分类的多源图像变化检测方法，待处理的图像，是两个已配准的同一区域、不同时间、由不同传感器获取的多源图像，包括光学图像和TM图像，其特征在于，包括有如下步骤：

(1)输入光学图像：输入多源图像中待检测光学图像的灰度矩阵；

(2)分割光学图像：采用模糊C均值聚类方法对其中待检测的光学图像的灰度矩阵进行模糊聚类，得到光学图像聚类分割后的灰度矩阵；

(3)对聚类分割后的光学图像做标记：把聚类分割后图像的类别进行分类和标记，作为标记的标签Ω，Ω＝{Ω¹，Ω²，…}，Ω¹，Ω²分别表示分类后的类别标签；

(4)对两图像进行采样：对光学图像和TM图像数据进行大小为n×n的块采样，采样出每个像素点对应的n²个像素点的值，对该值归一化处理，处理后得到的n²个数据，作为该像素点的采样样本，遍历整幅图像，直至采样完成两幅图中所有的像素点；

(5)在TM图像中选取训练样本：