[发明专利]一种遥感图像变化检测方法

权利要求书

1.一种遥感图像变化检测方法，其特征在于，包括：

获取对同一位置不同时刻拍摄的第一遥感图像和第二遥感图像；

分别对所述第一遥感图像和所述第二遥感图像进行标记形成无标签样本数据和有标签样本数据；其中，所述有标签样本数据包括所述第一遥感图像和所述第二遥感图像中标记的部分；所述无标签样本数据包括所述第一遥感图像和所述第二遥感图像中未标记的部分；

分别对所述无标签样本数据和所述有标签样本数据进行矢量格式转换形成无标签样本矢量数据和有标签样本矢量数据；

利用进化算法进行网络结构搜索得到若干目标阶梯网格模型；

对每一目标阶梯网络模型分别进行半监督与无监督训练确定中间最优阶梯网络模型；其中，半监督训练为利用所述有标签样本矢量数据进行训练；无监督训练为利用所述有标签样本数据和所述无标签样本矢量数据进行训练；

对所述中间最优阶梯网络模型进行半监督与无监督训练得到目标最优阶梯网络模型，所述目标最优阶梯网络模型对应的输出结果为变化检测结果。

2.根据权利要求1所述的遥感图像变化检测方法，其特征在于，所述分别对所述无标签样本数据和所述有标签样本数据进行矢量格式转换形成无标签样本矢量数据和有标签样本矢量数据，包括：

利用预设的邻域窗口对所述第一遥感图像和所述第二遥感图像同一位置的像素点对进行采集得到对应图像块对；

针对每一图像块对，将所述图像块对中每一图像块的像素点按行展开得到两个像素点矢量；

将两个像素点矢量纵向连接形成新的像素点矢量；其中，所述无标签样本数据形成的所有新的新像素点矢量组成所述无标签样本矢量数据；

对于所述有标签样本数据，还包括：

同时，判断所有像素点对是否发生变化；

将所有新的像素点矢量和其对应的判断结果纵向连接形成所述有标签样本矢量数据。

3.根据权利要求2所述的遥感图像变化检测方法，其特征在于，所有阶梯网络模型均包括第一编码器、第二编码器和解码器。

4.根据权利要求3所述的遥感图像变化检测方法，其特征在于，所述第一编码器、所述第二编码器和所述解码器采用相同的网络结构；其中，相同的网络结构包括网络结构中网络层数和节点数分别对应相同。

5.根据权利要求4所述的遥感图像变化检测方法，其特征在于，所述利用进化算法进行网络结构搜索得到若干目标阶梯网格模型，包括：

选择若干初始阶梯网络模型作为初始种群；

对每一所述初始阶梯网络模型中第一编码器的网络层数和节点数分别进行编码；

利用进化算法对所述初始种群中所有初始阶梯网络模型的编码结果进行交叉与变异直至满足种群迭代停止条件；

选择满足要求的交叉与变异的编码结果，并解码形成所述若干目标阶梯网络模型。

6.根据权利要求3所述的遥感图像变化检测方法，其特征在于，对阶梯网络模型进行半监督与无监督训练的过程，包括：

利用所述阶梯网络模型中第一编码器对所述无标签样本矢量数据和所述有标签样本矢量数据进行加噪压缩得到噪声样本；

计算所述噪声样本中有标签样本矢量数据对应的第一编码器的输出结果与该有标签样本矢量数据中判断结果之间的差异得到监督损失结果；

将所述阶梯网络模型中第一编码器的输出结果经过所述阶梯网络模型中解码器进行去噪得到去噪样本；

利用所述阶梯网络模型中第二编码器对所述无标签样本矢量数据和所述有标签样本矢量数据进行纯净压缩得到若干无噪样本；

利用所述阶梯网络模型中解码器将去噪样本与每一无噪样本进行重构，并计算重构结果与每一无噪样本之间的差异得到若干无监督损失结果；

根据所述监督损失结果和所有无监督损失结果计算对应所述阶梯网络模型的网络损失结果。