[发明专利]聚类引导深度神经网络分类的多源图像变化检测方法

摘要

本发明公开了一种聚类引导深度神经网络分类的多源图像变化检测方法，避免了传统的变化检测中的前期产生差异图的步骤，克服了多源图像变化检测需要产生差异图的弊端。其实现步骤为：输入光学图像的灰度矩阵；对光学图像进行模糊聚类得到分割后的灰度矩阵；对聚类分割后的光学图像做标记；对光学图像和TM图像进行采样；从TM图像中选取训练样本；训练栈式稀疏自动编码器SAE；利用标签对网络参数进行微调；把TM图像输入到网络输出分类后的图像；对两幅分类后的图作对数比；得到变化检测结果。本发明摒弃了差异图的构造环节，适用于多源遥感图像变化检测，具有受噪声影响小、变化检测结果分类精度高等优点。

主权项

1.一种聚类引导深度神经网络分类的多源图像变化检测方法，待处理的图像，是两个已配准的同一区域、不同时间、由不同传感器获取的多源图像，包括光学图像和TM图像，其特征在于，包括有如下步骤：(1)输入待检测光学图像：输入多源图像中待检测光学图像的灰度矩阵；(2)分割光学图像：采用模糊C均值聚类方法对其中待检测光学图像的灰度矩阵进行模糊聚类，得到光学图像聚类分割后的灰度矩阵；(3)对聚类分割后的光学图像做标记：对聚类分割后图像的类别进行分类并标记，以标签Ω作为标记，Ω＝{Ω1，Ω2，…}，Ω1，Ω2分别表示分类后的类别标签；(4)对两图像进行采样：对光学图像和TM图像数据进行大小为n×n的块采样，采样出每个像素点对应的n2个像素点的值，对该值归一化处理，处理后得到的n2个数据，作为该像素点的采样样本，遍历整幅图像，直至采样完成两幅图中所有的像素点；(5)在TM图像中选取训练样本：(5a)选取候选训练样本区域，将分类后的光学图像中对应于变化检测参考图上未变化的区域作为候选训练样本区域，训练样本将在该候选训练样本区域内选取；(5b)选取训练样本规则：在分类后的光学图像中，以像素点k为例，将像素点k的位置作为中心，取m×m的方形窗口，该方形窗口包含m2个像素点，判断该窗口除像素点k外的m2‑1个像素点是否为同一类像素点，若为同一类像素点，则以光学图像中像素点k的位置为准，找出该点在TM图像灰度矩阵对应位置处的像素点k′，像素点k′的采样样本作为候选训练样本，分类后的光学图像中像素点k的值作为该候选训练样本的标签；若该窗口除像素点k外m2‑1个像素点有两类或者多类像素点，则舍弃该像素点，以此过程遍历全图，直到判断完所有候选训练样本区域的像素点；(5c)在已得到的不同标签的候选训练样本中，以标签数量最少的那类候选训练样本的数量L作为选取数量，在所有不同标签的候选训练样本中截取已选择的前L个候选训练样本作为最终的训练样本，完成对训练样本的选取；(6)训练栈式自动编码器：建立一个由两层稀疏自动编码器组成的栈式自动编码器模型，将选取的训练样本输入到该模型中训练栈式自动编码器，得到训练完成的栈式自动编码器；(7)微调栈式自动编码器：将已经训练完成的栈式自动编码器的第二层稀疏自动编码器的隐藏层节点的激活值作为softmax分类器的输入，将训练样本对应的标签作为softmax分类器的输出，通过反向传导方法同时调整网络所有层的参数，完成对网络的训练；(8)分类TM图像：将采样后的TM图像的采样样本输入到微调后的栈式自动编码器中，编码器的输出为分类好的TM图像；(9)生成差异图：用对数比值法对分类后的光学图像和TM图像的灰度矩阵作差异图，得到光学图像和TM图像的变化检测结果。