[发明专利]一种双时相高光谱图像空谱联合变化检测方法

说明书

一种双时相高光谱图像空谱联合变化检测方法，属于高光谱图像变化检测技术领域。本发明为了解决如何在小样本的情况下提高变化检测精度的问题。本发明将简化三维卷积自编码器中的编码器作为特征提取器，将待检测的双时相高光谱图像输入到特征提取器中得到双时相空谱联合特征图；将得到双时相空谱联合特征图前后叠加，得到叠加特征图，即空谱联合特征图；在叠加特征图之后连接一个2D卷积层，2D卷积层之后再连接两个全连接层，之后利用softmax分类器输出变化与非变化区域，即分类器对所有像素点分类得到最后的检测结果，检测结果中像素所处区域对应为变化区域或者为非变化区域，用二值图进行表示。主要用用于高光谱图像空谱联合变化检测。

技术领域

本发明一种高光谱图像变化检测算法，属于高光谱图像变化检测技术领域。

背景技术

高光谱图像变化检测是对同一区域的两幅或多幅时间图像的高光谱图像中的变化信息进行检测。由于人类活动和生态系统的变化，地表变化信息的收集和分析对环境保护、自然资源管理、人类社会发展与自然环境关系的研究具有重要意义。目前大部分变化检测方法都关注于光谱域，然而高光谱图像存在“同物异谱”与“同谱异物”的现象，仅利用光谱信息提取变化特征存在诸多不确定性。考虑引入空间信息进行变化检测是降低不确定性、提高检测结果精度的重要途径之一，但如何对空间信息和光谱信息进行联合分析是后续研究需要考虑的问题。近年来，随着深度神经网络(DNN)在计算机视觉领域显示出强大的特征提取能力，越来越多的学者开始使用DNN来提高变化检测的准确性。而基于深度学习的方法需要大量的训练数据，高光谱数据集的获取、标注是一件繁重且困难的工作，缺乏训练数据会大大降低检测精度。因此，如何在小样本的情况下，提取空谱联合特征来提高变化检测精度是本发明需要解决的问题。

发明内容

本发明为了解决如何在小样本的情况下提高变化检测精度的问题。

一种双时相高光谱图像空谱联合变化检测方法，包括以下步骤：

将简化三维卷积自编码器中的编码器作为特征提取器，将待检测的双时相高光谱图像输入到特征提取器中得到双时相空谱联合特征图；

将得到双时相空谱联合特征图前后叠加，得到叠加特征图，即空谱联合特征图；在叠加特征图之后连接一个2D卷积层，2D卷积层之后再连接两个全连接层，之后输入softmax分类器分类，softmax分类器输出变化与非变化区域，即softmax分类器对所有像素点分类得到最后的检测结果，检测结果中像素所处区域对应为变化区域或者为非变化区域，用二值图进行表示；

所述简化三维卷积自编码器即S3DCAE，S3DCAE为一个重构网络，包括一个编码器和一个解码器；编码器由n个3D卷积层和1个简化3D卷积层组成，解码器由n个3D反卷积层组成；

所述的简化3D卷积层的卷积核只对光谱域进行卷积操作，即：

其中，是第l层、第i个简化卷积核，此卷积层中没有了空间维度上的卷积；是第l-1层特征图在第d通道、第z+c波段处的数值，表示第d通道、第c波段的卷积核的参数数值，b_l,i是该卷积核的偏置，f表示激活函数。

进一步地，所述softmax分类器的处理过程包括以下步骤：

softmax层对像素点分类的过程中计算像素分类概率的公式如下：

其中，α_k是神经节点对第k类的输出值，p_z,k是像素z最终预测为第k类的概率值，概率值最大的即为所属类别。

进一步地，所述编码器中n个3D卷积层的每个3D卷积层中的第l层、第i个卷积核的三维卷积计算过程如下：