[发明专利]一种基于共性自动编码器的无监督异源遥感图像变化检测方法

说明书

本发明公开了一种基于共性自动编码器的无监督异源遥感图像变化检测方法，主要解决现有异源图像变化检测方法精度低、鲁棒性不强的问题。实现步骤包括：步骤一：分别进行两幅异源遥感图像的像素块集构建，再提取两幅异源遥感图像像素块集中像素块特征向量，以坐标值为基准组成两幅异源遥感图像像素块特征向量的特征对；步骤二：利用共性自编码器COAE对步骤一得到的特征对进行共同特征提取后生成差异图；所述的共性自编码器COAE为多个全连接层组成的神经网络。本发明具有检测准确、不需要标签、鲁棒性强的优点。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于共性自动编码器的无监督异源遥感图像变化检测方法，特别涉及异源遥感图像变化检测方法，可用于模式识别或目标检测。

背景技术

遥感图像变化检测的目的是检测地球表面上同一地点于不同时间拍摄的两个或多个图像之间的变化区域。它是遥感图像处理中的一个重要问题，已经被广泛应用于土地覆盖类型变化监测，城市扩展跟踪，灾害损伤评估等任务。

变化检测的准确性主要由差异提取过程决定。差异提取的目的是衡量特征差异并指示变化区域。在该框架下，许多用于同源遥感图像的变化检测方法已经被提出。这里的同源遥感图像是指由同一类型的传感器获取的具有相似特征的多时相遥感图像，相应地，异源遥感图像被定义为由不同类型的传感器获取的遥感图像。应用于同源遥感图像变化检测的差异提取方法不适用于异源遥感图像变化检测，因为后者的图像具有不同的属性，直接对它们进行比较是不合理的。显然异源遥感图像变化检测更具挑战性，然而它对输入图像的限制较少，并且可以在更多场合下应用，这是相当有意义的。

目前为止，一些异源遥感图像变化检测方法已经被提出。分类后比较是异源遥感图像变化检测的一种可行解决方案。它独立地将异源遥感图像中每种类别的地物进行分类，其变化图的精度主要由每幅遥感图像的地物分类精度决定，并且容易受到误差传播的影响。多类变化检测也是异源遥感图像变化检测的一种解决方案，它可以检测两幅遥感图像之间的类别转换信息。然而，该方法需要大量标记的像素来训练分类器，这导致该方法在实践中很难应用。一些方法需要或多或少标记未改变的像素来建立异构图像之间的潜在相关性，例如条件copulas，核规范相关性分析，以及与马尔可夫随机场相关的贝叶斯非参数模型等，对标签的需求限制了这些方法的应用。近来，基于深度神经网络的异构图像变化检测方法也开始被提出。Zhang等人提出了基于深度特征表示和映射变换的变化检测方法(SMC+FCA)。在两个异源图像未变化区域之间建立映射函数，并通过该映射函数突出显示变化的区域以创建差异图。该方法被设计为无监督方法，然而它还需要选择一些未变化的像素加入训练以获得更稳定的差异图并确保更高的准确度。Liu等人提出了对称卷积耦合网络(SCCN)，它首先将异构图像映射到特征空间，然后在特征空间中对它们进行比较并生成变化图。但是该方法只计算了未变化区域而且网络中还包含一些需要手动设定的参数，可能导致该方法在某些场景下的性能会下降。

发明内容

本发明的目的在于针对现有无监督异源变化检测方法的不足，提出一种基于共性自动编码器的无监督异源遥感图像变化检测方法，以提高无监督异源遥感图像变化检测的质量。

为实现上述目的，本发明包括如下步骤：

一种基于共性自编码器的无监督异源遥感图像变化检测方法，包括：

步骤一：分别进行两幅异源遥感图像的像素块集构建，再提取两幅异源遥感图像像素块集中像素块特征向量，以坐标值为基准组成两幅异源遥感图像像素块特征向量的特征对；

步骤二：利用共性自编码器COAE对步骤一得到的特征对进行共同特征提取后生成差异图；所述的共性自编码器COAE为多个全连接层组成的神经网络。

可选的，包括：

步骤一：按照以像素点为中心、横坐标i和纵坐标j为坐标值进行像素块集的构建，得到源图像m的像素块集S^m和源图像n的像素块集Sⁿ；