[发明专利]一种基于深度学习的建筑物变化检测方法

摘要

本发明公开了一种基于深度学习的建筑物变化检测方法，属于计算机视觉技术领域。首先，应用深度学习图像分割算法U‑net进行建筑物分割，得到二值分割图像；接着，将二值分割图像合并，生成建筑物区域合并二值图像；然后，以合并图像为掩蔽图像，去除输入图像中的噪声地物，得到无噪图像；最后，采用非监督深度学习网络PCAnet对无噪图像进行变化检测，选取并输出最优变化图像。与现有的建筑物变化检测方法相比，本发明利用深度学习进行变化检测却不需大量带标签的训练数据；在输入图像中存在噪声地物如树木、车辆、行人等干扰时，只针对建筑物区域进行变化检测。测试结果表明，本专利比GDBM模型方法的正确率提高了7％，虚警率降低了59.8％。

主权项

1.一种基于深度学习的建筑物变化检测方法，其特征在于以下步骤：第一步：输入两幅待检测图像I₁(i,j)、I₂(i,j)，图像单通道位深度为B；第二步：建筑物区域分割；利用已完成训练的深度学习图像分割网络U‑Net，分别对I₁(i,j)、I₂(i,j)进行建筑物区域分割，得到二值分割图像其中，训练U‑Net的具体步骤，如下：步骤1：输入训练集其中N_R表示训练集样本总数；设置一组网络训练所需的超参数，包括学习率α，取10^‑3～10^‑6；训练轮数epochs，取10～20；步骤2：开始训练U‑Net网络；步骤3：调整学习率α，每次乘以10^‑1；调整训练轮数epochs，每次加1，在几组不同超参数训练取得的结果中，选取分割效果最佳即准确率最高的网络参数；步骤4：输出已完成训练的U‑Net网络；第三步：建筑物分割图合并；采用如下公式合并二值分割图像I_s1(i,j)、I_s2(i,j)，生成建筑物区域合并二值图像第四步：噪声地物去除；利用建筑物区域合并二值图像I_M(i,j)对两幅待检测图像I₁(i,j)、I₂(i,j)进行噪声地物去除，生成无噪图像第五步：建筑物变化检测；采用非监督网络PCANet对I_p1(i,j)、I_p2(i,j)进行变化检测；基于PCANet的变化检测算法具体实现步骤如下:步骤1：对I_p1(i,j)、I_p2(i,j)做对数比值处理，生成粗估计变化图像其中“|·|”表示取模运算；步骤2：像素预分类与标记；对图像I_D(i,j)中每个像素提取Gabor特征，配合模糊C均值聚类(Fuzzy C‑Means,FCM)算法，对I_D(i,j)中像素进行聚类，得到三种带标签类别，依次为(1)变化w_c：下标c表示变化，类内像素(i,j)标签为l_ij＝+1；(2)未变化w_uc：下标uc表示未变化，类内像素(i,j)标签为l_ij＝‑1；(3)待定w_ud：下标ud表示待定，类内像素(i,j)标签为l_ij＝0；三种类别所包含的像素数分别为N_c、N_uc、N_ud，且N_c+N_uc+N_ud＝m×n；步骤3：训练样本像素数计算；从步骤2：像素预分类与标记所获得的所有m×n个像素中随机挑选训练样本像素，并按一定比例筛选正样本像素、负样本像素，训练样本像素(i,j)的标签为l_ij∈{‑1,+1}；训练样本像素总数N_sum采用如下公式计算：N_sum＝m×n×r  (7)其中r表示随机挑选样本像素的比例；正样本像素数N_po_s采用如下公式计算：负样本像素数N_neg则为：N_neg＝N_sum‑N_pos  (9)步骤4：训练集生成；分别在两张输入图像I_p1(i,j)、I_p2(i,j)中，以样本像素(i,j)为中心，选取尺寸为k×k的图像块k一般取3～11中的奇数；然后，将两个图像块纵向连接，构成一个样本图像P_y，尺寸为2k×k，即：样本图像P_y的标签l_y就是样本像素(i,j)的标签l_ij，即l_y∈{‑1,+1}；共生成N_sum个样本图像，其中N_pos个正样本、N_neg个负样本，构成训练集步骤5：PCANet特征提取与特征向量集生成；通过非监督深度学习网络PCANet，提取出训练集中每个样本图像的特征向量F_y，与标签l_y一起构成特征向量集其中，先设置一组训练PCANet需设置的参数，包括进行PCA滤波卷积的阶段数stages，一般取2；每个阶段中滤波器个数L_t，一般取5～8，t＝1,...,stages；步骤6：分类器训练；利用特征向量集训练分类器；分类器选用线性核支持向量机(Liner Support Vector Machine,Liner SVM)；训练Liner SVM需设置的参数只有分类器目标函数中的一个系数，称作误差惩罚因子，记为C，取1～10；步骤7：像素再分类；对于步骤2：像素预分类与标记所获得的待定类w_ud内每个像素，通过图5所示的方法生成图像；再用PCANet对图像提取特征；将获得的特征向量输入到完成训练的Liner SVM中进行分类；依据Liner SVM输出结果将像素划分到变化类w_{ud_c}或未变化类w_{ud_uc}；最后，综合步骤2得到的w_c、w_uc类中的像素，则全图像素分类为变化与未变化式中，“∪”表示“取并集”；第六步：生成变化图像I_o(i,j)∈^m×n；依据分类得到的像素集合通过如下公式生成二值变化图像：第七步：最优变化图像选取；固定PCA滤波卷积阶段数为2，调整两个PCA滤波卷积阶段中滤波器个数L₁、L₂，分别取5～8，步进1；图像块尺寸参数k，取3～11中奇数；Liner SVM的误差惩罚因子C，取1～10，步进1；计算第六步所得的各个变化图像的正确率ACC、漏检率P_MD、虚警率P_FA；根据ACC、P_MD、P_FA由高到低的优先级，选取相对最优的变化图像及其对应参数；各评价指标计算公式如下所示：其中，N_TC、N_FC分别表示正确检测的变化像素数和检测为变化但实际未发生变化的像素数，N_TUC、N_FUC分别表示正确检测的未变化像素数和检测为未变化但实际发生变化的像素数；第八步：输出最优变化图像