一种基于深度学习的多光谱遥感图像变化检测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110826458A(43)申请公布日2020.02.21(21)申请号201911050821.5(22)申请日2019.10.31(71)申请人河海大学地址210000江苏省南京市鼓楼区西康路1号(72)发明人石爱业高文静(74)专利代理机构南京纵横知识产权代理有限公司32224代理人董建林(51)Int.Cl.G06K9/00(2006.01)G06K9/40(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图4页(54)发明名称一种基于深度学习的多光谱遥感图像变化检测方法及系统(57)摘要本发明公开了图像处理技术领域的一种基于深度学习的多光谱遥感图像变化检测方法及系统，包括：计算遥感影像的变化矢量幅值；根据变化矢量幅值EM算法获取伪训练样本集：标记样本集（包括变化类样本集、非变化类样本集）和非标记样本集；构建两个网络学生网络和教师网络，并针对标记样本集构建交叉熵损失函数，针对非标记样本集构建均方误差函数；对学生网络采用随机梯度下降优化算法进行优化，并在每一训练轮次更新教师网络的权重参数；根据最终的教师网络获取对应的最终变化检测结果。另外，网络的训练中还加入了无标记样本集参与训练，从而本发明能够使得变化检测的结果更加可靠，也更加具有稳健性。CN110826458ACN110826458A权利要求书1/2页1.一种基于深度学习的多光谱遥感图像变化检测方法，其特征是，包括：a、对遥感影像进行影像配准并利用多元变化检测方法进行辐射校正，然后计算遥感影像的变化矢量幅值；b、根据变化矢量幅值并利用最大期望算法获取伪训练样本集；c、构建两个相同的全连接深度学习网络：教师网络和学生网络；d、通过伪训练样本集训练教师网络和学生网络；e、根据教师网络获取最终的变化检测结果。2.根据权利要求1所述的基于深度学习的多光谱遥感图像变化检测方法，其特征是，所述影像配准包括几何粗校正和几何精校正。3.根据权利要求1所述的基于深度学习的多光谱遥感图像变化检测方法，其特征是，所述教师网络和所述学生网络的第一层神经元个数为294，第二层神经元个数为64，第三层神经元个数为128，第四层神经元个数为2，所述教师网络和所述学生网络的输入维数为294，输出维数为2。4.根据权利要求3所述的基于深度学习的多光谱遥感图像变化检测方法，其特征是，所述教师网络和所述学生网络以7×7的方形窗口内的样本为输入，每个样本两个时相的多光谱影像共有6个波段。5.根据权利要求3所述的基于深度学习的多光谱遥感图像变化检测方法，其特征是，所述教师网络和所述学生网络除输出层外都使用批归一化处理，中间层使用LeakyReLU(x)激活函数:LeakyReLU(x1)＝max(0,x1)+negative_slope*min(0,x1)(7)式中，x1是网络的输出中间层的输出矩阵，negative_slope表示控制负坡度的角度。6.根据权利要求1所述的基于深度学习的多光谱遥感图像变化检测方法，其特征是，所述步骤d包括：da、将伪训练样本集的有标签数据集和输入学生网络Ns，并计算有标签数据集的损失函数L1：式中，x表示对应的样本点的光谱归一化特征值，y是样本对应的标签，ws是学生网络的权重，f表示学生网络Ns的概率输出，表示交叉熵损失函数，其定义如下：式中，k表示变化检测中的标签，取值为{0，1}，0表示未变化，1表示变化，w表示网络的权重。db、将伪训练样本集的无标签数据集输入到学生网络Ns，得到对应的标签输出2CN110826458A权利要求书2/2页dc、将伪训练样本集的无标签数据集输入到教师网络Nt，得到对应的输出g表示教师网络Nt的概率输出，wt表示教师网络Nt的权重；dd、针对无标签数据集，期望学生网络Ns和教师网络Nt的预测标签一致，构建无标签损失函数L2：2L2＝||f(x；ws)-g(x；wt)||(10)de、根据总的损失函数L1+L2，采用后向传播算法，利用随机梯度下降算法更新学生网络Ns的权重ws。df、利用学生网络Ns的参数更新教师网络Nt的参数wt：式中epc表示训练样本整体训练的次数，α表示衰减率；dg、重复步骤da～步骤df，直到学生网络Ns收敛，并根据式(11)得到教师网络Nt的最终权重wt。7.一种基于深度学习的多光谱遥感图像变化检测系统，其特征是，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行权利要求1～6任一项所述方法的步骤。3CN110826458A说明书1/8页一种基于深度学习的多光谱遥感图像变化检测方法及系统技术领域[0001]本发明属于图像处