[发明专利]基于对抗学习的无监督高光谱图像变化检测方法

权利要求书

1.一种基于对抗学习的无监督高光谱图像变化检测方法，其特征在于，包括如下：

(1)基于光谱角距离约束构建一个六层的生成网络E，并将该生成网络的第三层，即光谱特征层与判别网络D的输入层连接，组成光谱映射网络Q；

(2)用两个光谱映射网络Q组成双时相的同样结构的光谱映射网络Q₁和Q₂，其中，Q₁和Q₂中的双时相的生成网络E₁和E₂的损失函数形式相同，均为Q₁和Q₂中的双时相的判别网络D₁和D₂的损失函数形式相同，均为

(3)将高光谱变化检测数据集中的双时相高光谱图像分别输入到双时相的同样结构的光谱映射网络Q₁和Q₂中各迭代训练1500次，得到两个训练好的光谱映射网络；

(4)从已训练好的两个光谱映射网络的生成网络E₁和E₂中，分别提取其两个光谱特征层得到双时相光谱维特征图H₁和H₂；

(5)对双时相光谱维特征图H₁和H₂分别进行主成分分析，得到双时相一维光谱维主特征图F₁和F₂；

(6)对双时相一维光谱维主特征图F₁和F₂分别进行空间特征加强，得到加强后的双时相一维光谱维主特征图Y₁和Y₂：

(6a)将双时相一维光谱维主特征图分别通过三个具有不同属性值的空间属性滤波器进行多属性优化，得到双时相的三个一维属性特征图；

(6b)将双时相的三个属性特征图分别加权融合，得到双时相一维空间属性优化特征图A₁和A₂：

A₁＝α₁×a₁₁+α₂×a₁₂+α₃×a₁₃

A₂＝α₁×a₂₁+α₂×a₂₂+α₃×a₂₃

其中，α₁、α₂和α₃分别表示三个不同属性值的空间属性滤波器对应的三个加权系数，其取值是在(0,1)内选取的数，且要求α₁、α₂和α₃的和为1；a₁₁、a₁₂和a₁₃分别表示第一个时相的三个属性特征图；a₂₁、a₂₂和a₂₃分别表示第二个时相的三个属性特征图；

(6c)将双时相一维空间属性优化特征图A₁和A₂，分别通过引导滤波器进行空间边缘优化，得到双时相一维空间边缘优化特征图G₁和G₂；

(6d)将双时相一维空间边缘优化特征图G₁和G₂分别输入到自抑制函数，得到空间特征加强后的双时相一维光谱维主特征图Y₁和Y₂，分别表示如下：

其中，Y₁[i]和Y₂[i]分别表示空间特征加强后的双时相一维光谱维主特征图Y₁和Y₂的第i个元素；β和γ分别表示两个抑制系数，其取值都是在(0,1)内选取的数；G₁[i]和G₂[i]表示双时相一维空间边缘优化特征图G₁和G₂中第i个元素；

(7)将空间特征加强后的双时相一维光谱维主特征图Y₁和Y₂分别通过全局自适应阈值算法进行二值化，得到两个不同时相的二值化结果图B₁和B₂；

(8)计算双时相二值化结果图B₁和B₂的残差得到高光谱图像变化检测结果图R：

R＝B₁-B₂。