[发明专利]基于信息传递和注意力机制的图像变化检测方法

摘要

本发明提出了一种基于信息传递和注意力机制的图像变化检测方法，用于解决现有图像变化检测方法中存在的检测准确度低的技术问题。实现步骤为：读入图像并进行归一化处理，构建训练样本集，搭建一个基于信息传递和注意力机制的深度神经网络模型，设定深度神经网络的训练参数，判断深度神经网络的损失函数是否满足迭代停止条件，对深度神经网络的可训练参数进行更新，利用训练好的深度神经网络输出图像变化检测结果图。本发明结合信息传递和注意力机制，搭建深度神经网络提取的图像特征语义及结构信息丰富，对图像的表达能力及辨别性强，提高了变化检测检测准确度，可用于土地覆盖检测、灾难评估、视频监控等技术领域。

主权项

1.一种基于信息传递和注意力机制的图像变化检测方法，其特征在于包括如下步骤：(1)读入图像并进行归一化处理：读入拍摄于同一地点不同时相且经过配准和校正的两幅图像I_x和I_y，并对I_x和I_y分别进行归一化处理，得到归一化图像I₁和I₂；(2)获取训练样本集：分别对归一化图像I₁和I₂中20％的图像区域进行标注，并在已标注的图像区域上随机剪切多个像素块组成训练样本集；(3)搭建基于信息传递和注意力机制的深度神经网络：搭建基于信息传递和注意力机制的深度神经网络，该深度神经网络包括依次层叠的卷积模块→信息传递模块→注意力模块→输出模块，其中：卷积模块，用于通过两个独立的卷积神经网络CNN对输入的图像块分别进行时相图像特征提取；信息传递模块，包括依次连接的第一双向长短期记忆网络BiLSTM和第二双向长短期记忆网络BiLSTM，第一BiLSTM用于获取每个时相图像特征的状态表示，第二BiLSTM用于通过每个时相图像特征及其状态表示进行图像语义信息的传递与交互；注意力模块，用于通过软注意力soft attention结构给每个时相图像特征赋予其对应的注意力权重，以增强图像的变化信息；输出模块，用于通过依次堆叠的两个全连接层和节点个数为1的输出层获取概率输出值；(4)设定深度神经网络的训练参数：设定迭代次数N的初始化值为1，损失函数的最小阈值为Δl，训练的学习率为α；(5)判断深度神经网络的损失函数Loss^N是否满足迭代停止条件：将训练样本集输入到深度神经网络中，得到多个概率输出值，并计算每个概率输出值与输出值对应的真实标签的损失函数的和Loss^N，然后判断Loss^N是否小于最小阈值Δl，若是，将Loss^N对应的深度神经网络作为训练好的深度神经网络，并执行步骤(7)，否则执行步骤(6)；(6)对深度神经网络的可训练参数进行更新：采用梯度下降法对深度神经网络的可训练参数θ进行更新，并令N＝N+1，同时将可训练参数为θ的深度神经网络更换为参数为θ^new的深度神经网络，执行步骤(5)；(7)利用训练好的深度神经网络输出图像变化检测结果图：(7a)设定窗口大小为a×a，并以a为步长从左至右从上至下在归一化图像I₁和I₂上进行滑窗，得到测试样本集，a≥7；(7b)将测试样本集输入到训练好的深度神经网络中，得到测试样本集的类别向量，并并将对该类别向量进行矩阵化的结果作为图像变化检测结果图。