[发明专利]基于VGG16和孪生神经网络的遥感影像变化检测方法

权利要求书

1.一种基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：该方法包括如下步骤：

(1)获取遥感图像数据集，包括变化前和变化后的图像；将数据集中图像切割为图像块，将图像块分别标注为变化或未变化类标签，构建训练集和测试集；

(2)构建基于VGG16模型的卷积神经网络，包括若干个卷积层和池化层，若干个上采样和反卷积层，以及最后一层卷积层和softmax层；

(3)将训练集中同一区域两个时相的图像块作为卷积神经网络的输入，类标签作为输出，构建损失函数进行网络训练，直到误差满足预期，得到训练好的卷积神经网络；

(4)将测试集中同一区域两个时相的图像块输入训练好的卷积神经网络，通过卷积神经网络将图像块分为变化类和未变化类，得到最后的变化检测图。

2.根据权利要求1所述的基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：所述步骤(3)，过程如下：

将训练集中同一区域两个时相的图像块输入卷积神经网络，首先经过若干个卷积层和池化层后得到两个特征图，将两个特征图像合并，并进行一次反卷积操作；然后将得到的特征图像进行若干次上采样和反卷积，接着进行最后一次卷积，经过softmax层后将图像块分为变化类和未变化类；其中，经过softmax层得到一个概率二值化图像，有变化的像素点p₁为1，无变化的像素点p₀为0；

采用交叉熵作为损失函数，公式如下：

式中m为样本数，即图像中的像素点数；y₀和y₁是实际标签，分别代表无变化的像素点和有变化的像素点。

3.根据权利要求1或2所述的基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：所述步骤(2)，卷积神经网络的卷积层和池化层结构如下：

(2.1.1)在输入层中，输入同一区域两个时相的遥感图像，图像大小为224×224×3；

(2.1.2)在第一层卷积层中，用两组64个3×3的卷积核，设定步长为1；在第一层的池化层，池化方法设为MAX pooling；

(2.1.3)在第二层卷积层中，用两组128个3×3的卷积核，设定步长为1；在第二层的池化层，池化方法设为MAX pooling；

(2.1.4)在第三层卷积层中，用三组256个3×3的卷积核，设定步长为1；在第三层的池化层，池化方法设为MAX pooling；

(2.1.5)在第四层卷积层中，用三组512个3×3的卷积核，设定步长为1；在第四层的池化层，池化方法设为MAX pooling；

(2.1.6)在第五层卷积层中，用三组512个3×3的卷积核，设定步长为1；在第五层的池化层，池化方法设为MAX pooling；

(2.1.7)将第五层的池化层输出的两幅特征图像合并后，经过的反卷积结构为512个3×3的卷积核，设定步长为1。

4.根据权利要求1或2所述的基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：所述步骤(2)，卷积神经网络的上采样和反卷积层结构如下：

(2.2.1)在第一层反卷积层中，先进行上采样，再进行反卷积，反卷积是三组3×3的卷积核，设定步长为1；

(2.2.2)在第二层的反卷积层中，先进行上采样，再进行反卷积，反卷积是三组3×3的卷积核，设定步长为1；

(2.2.3)在第三层的反卷积层中，先进行上采样，再进行反卷积，反卷积是三组3×3的卷积核，设定步长为1；

(2.2.4)在第四层的反卷积层中，先进行上采样，再进行反卷积，反卷积是两组3×3的卷积核，设定步长为1；

(2.2.5)在第五层的反卷积层中，先进行上采样，再进行反卷积，反卷积是两组3×3的卷积核，设定步长为1。

5.根据权利要求1或2所述的基于VGG16和孪生神经网络的遥感影像变化检测方法，其特征在于：所述步骤(2)，最后一层卷积层中，定义2个尺寸为3×3的卷积核，步长定为1。