一种基于卷积自编解码器的遥感图像无监督变化检测方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及一种遥感图像变化检测方法，特别涉及一种基于卷积自编解码器的遥感图像无监督变化检测方法，属于卷积神经网络和遥感图像技术领域。背景技术：2.遥感图像在军事和国民经济中具有非常重要的应用价值。大量高分辨率的遥感图像被广泛使用于城市规划，地面物体分类等任务中。变化检测是遥感领域内的一项重点和难点，它可应用在农业、民用、军事等多种领域。国内外已有很多单位与学者将深度学习技术用在了对遥感图像的变化检测项目中，有效地提高了从遥感图像中提取地物目标变化的检测精度与效率。3.基于深度学习的变化检测方法包括监督与无监督两类，这两类方法均基于深度卷积神经网络，通过深度卷积神经网络提取两个时期遥感图像特征，进而借助监督或无监督损失函数得到变化检测结果，多项研究结果都表现出了深度学习方法相对传统方法的优势，使得深度学习技术在遥感图像的变化检测领域获得了越来越多的青睐。高分辨率图像具有内容多、尺寸大的特点，制作遥感图像地物分类数据集需要大量的人力物力，且标注过程中难免会产生漏标、误标，将会对深度学习算法的预测精度产生影响。无监督的变化检测方法与有监督方法相比，不需要精准监督信息辅助训练，同时由于监督信息的缺失，非监督方法的检测精度难免会有不足，如何在保留非监督变化检测方法无需监督信息这一优势的同时，提升其提取地物目标变化检测的精度是一个极具挑战性的问题。4.目前，有学者将卷积自编码器应用于遥感图像变化检测领域，对两个时期的遥感图像进行编码，提取遥感图像中的地物特征，得到变化图。专利cn 114926512 a公开了一种基于拟合异或函数的孪生卷积网络遥感变化检测方法，包括获取两时期配准的遥感影像；将两期遥感影像输入已训练的拟合异或函数的孪生卷积变化检测网络，通过拟合异或函数的孪生卷积变化检测网络输出变化强度图；所述拟合异或函数的孪生卷积变化检测网络包括孪生编码器、异或模块和解码器，将遥感图像输入所述孪生编码器，通过孪生编码器输出多尺度特征影像；将多尺度特征影像输入异或模块，通过异或模块输出初始变化特征影像；将初始变化特征影像输入解码器，通过解码器输出变化强度图；基于阈值提取得到变化检测结果。该专利使用两个时期的遥感图像和变化真值标签，使用交叉熵损失函数计算损失，属于典型的有监督学习方法，需人工标注的变化真值标签，大大增加了地物类别标注所需的人力物力。技术实现要素：5.本发明的目的是克服上述不足，而提供一种基于卷积自编解码器的遥感图像无监督变化检测方法，只需要两个时期的遥感图像，无需人工标注的变化真值标签，计算两个时期的遥感图像经过卷积自编解码器后得到特征图的像素相似度和分布差异训练模型，大大减少了地物类别标注所需的人力物力，同时提升了变化检测算法的精度。6.本发明采取的技术方案为：一种基于卷积自编解码器的遥感图像无监督变化检测方法，包括步骤如下：s1. 对同一地点两个不同时期的遥感图像进行裁剪、缩放并预处理成图像块，划分数据集；s2. 将两个时期的图像块分别输入构建的遥感图像变化检测模型，先编码生成多层特征图再解码生成多层特征图，选解码生成的某两层或多层特征图中对应的两个时期的两对或多对特征图送入变化图预测器预测变化；所述的遥感图像变化检测模型包括卷积自编解码器和变化图预测器，卷积自编解码器由编码器和解码器两部分组成，编码器由多个编码模块组成，解码器由多个解码模块组成，编码器生成多个尺寸的特征图即多层特征图，解码器对其最后一层特征图进行解码，依次生成多个尺寸的特征图即多层特征图；s3. 用误差平方和来计算不同时期特征图中的特征值损失，使用kullback–leibler散度来计算不同时期特征图的分布损失，取和得总损失，根据损失值训练优化模型；s4.利用最后训练好的变化检测模型，将不同时期的遥感图像送入模型，得到变化预测图。7.上述方法中，步骤s1所述的预处理为随机选择部分图块进行上下左右随即翻转；计算rgb三通道的均值和标准差，对图块进行标准化，最终得到尺寸为256*256*3的图块。8.步骤s2中每个编码模块包含一个3*3卷积，一个批归一化层，一个relu激活函数层。批归一化层用于归一化一个批次中的数值，帮助加速模型训练进程和减少正则化作用带来的过拟合现象。relu激活函数层将所有负值变为0，用来增加非线性。编码器优选由四个编码模块组成，生成四个尺寸的特征图，两个时期分别对应特征图f11和f21、f12和f22、f13和f23、f14和f24。每个解码模块包含一个3*3反卷积，一个批归一化层，一个relu激活函数层。解码器优选由三个解码模块组成，解码器对编码生成的最后一层特征图进行解码，依次生成三个尺寸的特征图，两个时期分别对应特征图f11’和f21’、 f12’和f22’、 f13’和f23’。[0009] 步骤s2所述的变化图预测器包含一个1*1卷积，一个3*3卷积和一个sigmoid函数，其中1*1卷积的作用是通道降维，将输入判别器的特征图降维到256维，减少计算损失时的显存消耗。3*3卷积的作用是增加非线性。sigmoid函数将像素值归一化到[0,1]之间。优选将得到的f12’和f22’、 f13’和f23’两对特征图输入变化图预测器。[0010]步骤s3所述的用误差平方和来计算不同时期特征图中的特征值损失的计算公式如下：其中，n为参与计算的特征图层数，本发明为2，x为时期1的遥感图像特征图，x’为时期2的遥感图像特征图，这里是对x，x’两张图中的每对像素计算差异值；所述的用kullback–leibler散度来计算不同时期特征图的分布损失的计算公式如下：其中，为时期1的特征图概率分布，为时期2的特征图概率分布。[0011]步骤s3的损失函数包含两部分：特征相似度损失和特征分布损失，从特征值和特征分布两个层面计算两个时期特征图之间的差异，使两个时期的特征差异计算更加合理，进一步提高卷积自编解码器的编码和解码能力。[0012]步骤s3根据损失值进行模型训练优化，训练使用sgd优化器，动量为0.9，开始训练时，学习率采用预热的方法逐渐增大至0.01，将批次大小设置为4，即训练时四对图片算作一次迭代，每对图片为同一地点两个时期的遥感图像，共四万次迭代，每次迭代完成后分别输出损失。每当训练集全部迭代一次后进行一次测试，输出测试精度，以便进行神经网络训练程度的预测。[0013]本发明的另一个目的是提供一种基于卷积自编解码器的遥感图像无监督变化检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的基于卷积自编解码器的遥感图像无监督变化检测方法。[0014]本发明还提供一种存储设备，其为计算机可读存储设备，所述的计算机可读存储设备上存储有计算机程序用于实现如上所述的基于卷积自编解码器的遥感图像无监督变化检测方法中的步骤。[0015]本发明的有益效果是：本发明借助卷积自编解码器对两个时期的遥感图像进行编码和解码，生成多个尺寸的特征图，然后分别计算不同时期遥感图像生成特征图的相似度和分布差异，从而对变化检测模型进行训练。本发明是一种基于误差平方和损失与分布损失无监督学习方法，即只需要两个时期的遥感图像，无需人工标注的变化真值标签，不需要遥感图像地面物体类别标注图，大大节约了标注成本。同时，本发明引入了kl散度用于计算不同时期特征的分布差异，分布损失能够在特征分布层面对两个时期的特征图进行约束，进一步提升了模型对两个时期遥感图像特征提取的能力，从而进一步提升了变化检测算法的精度。附图说明[0016]图1为本发明方法的流程图；图2为本发明方法的模型结构示意图；图3为本发明卷积自编解码器结构图；图4为本发明编码模块结构图；图5为本发明解码模块结构图。具体实施方式[0017] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。[0018]实施例1一种基于卷积自编解码器的遥感图像无监督变化检测方法，包括步骤如下：s1. 对同一地点两个不同时期的遥感图像进行裁剪、缩放并预处理成图像块，划分数据集：对两个时期的遥感图像进行裁剪，形成同一地点不同时期的遥感图像。将裁剪出的遥感图像进行缩放，得到256*256的图块；随机选择部分图块进行上下左右随即翻转；计算rgb三通道的均值和标准差，对图块进行标准化，最终得到的训练图块尺寸为256*256*3（长*宽*通道数）。将所有图片按照7：3的比例随机划分为训练集和测试集。[0019]s2. 将两个时期的图像块分别输入构建的遥感图像变化检测模型，先编码生成多层特征图再解码生成多层特征图，选解码生成的两层特征图中对应的两个时期的两对特征图送入变化图预测器预测变化：如图2，遥感图像变化检测模型包括卷积自编解码器和变化图预测器，卷积自编解码器由编码器和解码器两部分组成，编码器由四个编码模块组成，每个编码模块（如图4所示）包含一个3*3卷积，一个批归一化层，一个relu激活函数层。批归一化层用于归一化一个批次中的数值，帮助加速模型训练进程和减少正则化作用带来的过拟合现象。relu激活函数层将所有负值变为0，用来增加非线性。解码器由三个解码模块组成，每个解码模块（如图5所示）包含一个3*3反卷积，一个批归一化层，一个relu激活函数层。编码器生成四个尺寸的特征图，解码器对最后一层特征图进行解码，依次生成3个尺寸的特征图。[0020]将训练集中256*256*3的图块送入卷积自编解码器（如图3）中，通过编码器得到四层特征图：首先，将两个时期的图像块输入解码器的第一个编码模块，依次通过3*3卷积，批归一化和relu激活，生成两个时期的特征图f11和f21，尺寸为64*64*256；然后将上述生成的特征图f11和f21输入第二个编码模块，进行与上述步骤相同的操作，依次通过3*3卷积，批归一化和relu激活，生成两个时期的特征图f12和f22，尺寸为32*32*512；同理，将上述生成的特征图f12和f22输入第三个编码模块，依次通过3*3卷积，批归一化和relu激活，生成两个时期的特征图f13和f23，尺寸为16*16*1024；最终，将特征图f13和f23输入第四个编码模块，依次通过3*3卷积，批归一化和relu激活，生成两个时期的特征图f14和f24，尺寸为8*8*2048。[0021]卷积自编码器生成了四层特征图，尺寸分别为：64*64*256、32*32*512、16*16*1024、8*8*2048。然后，将尺寸为8*8*2048的特征图送入解码器中，通过解码器进行解码，得到三层特征图：首先，将两个时期的图块输入解码器的第一个解码模块，依次通过3*3反卷积，批归一化和relu激活，生成两个时期的特征图f11’和f21’，尺寸为16*16*1024；然后将上述生成的特征图f11’和f21’输入第二个解码模块，进行与上述步骤相同的操作，依次通过3*3反卷积，批归一化和relu激活，生成两个时期的特征图f12’和f22’，尺寸为32*32*512；同理，将上述生成的特征图f12’和f22’输入第三个解码模块，依次通过3*3反卷积，批归一化和relu激活，生成两个时期的特征图f13’和f23’，尺寸为64*64*256。[0022]最终，卷积自编解码器对两个时期的图像进行编码，解码操作，依次生成尺寸为16*16*1024、32*32*512、64*64*256的特征图。[0023]变化图预测器包含一个1*1卷积，一个3*3卷积和一个sigmoid函数，其中1*1卷积的作用是通道降维，将输入判别器的特征图降维到256维，减少计算损失时的显存消耗。3*3卷积的作用是增加非线性。sigmoid函数将像素值归一化到[0,1]之间。[0024]s3. 用误差平方和来计算不同时期特征图中的特征值损失，使用kullback–leibler散度来计算不同时期特征图的分布损失，取和得总损失，根据损失值训练优化模型：将不同时期的遥感图像特征图送入变化图预测器中，本发明选择得到的f12’和f22’、 f13’和f23’两对特征图送入（在深度学习中，最开始得到的特征图具有高分辨率但是语义特征不足，经过多层卷积后，语义特征逐渐充分，但分辨率随之减小，因此本发明权衡了语义特征和分辨率，使用第2，3层特征图用于计算损失），并对这两对特征图各自计算误差平方和损失和分布损失。由于本发明是无监督的训练方法，由此在训练阶段，无需得到变化图，直接计算两对特征图间的损失，对模型进行优化；在测试阶段，由于经过sigmoid归一化之后的特征图值域为[0,1]，因此直接将两对特征图相减，即得到值域为[0，1]的变化预测图，设置阈值t为0.6，像素值》0.6即认为发生变化，置为1，反之为0。[0025]本发明使用误差平方和来计算不同时期特征图中的特征值损失，使用kullback–leibler散度来计算不同时期特征图的分布损失，其中误差平方和的计算公式如下：其中，n为参与计算的特征图层数，本发明为2，x为时期1的遥感图像特征图， x’为时期2的遥感图像特征图，这里是对x,x’两张图中每个通道的每对像素计算差异值；kullback–leibler散度的计算公式如下：其中，为时期1的特征图概率分布，为时期2的特征图概率分布。[0026]在变化检测中，同一地点在两个时期的遥感图像由于多种原因而存在差异，本发明使用误差平方和来计算两个时期的像素特征相似度差异，使用kl散度来计算两个时期的特征分布差异。两个时期的遥感图像变化越大，提取到的特征图间的差异越大，借助误差平方和函数和kl散度计算出的损失值也越大。因此将误差平方和算出的损失和kl散度算出的损失相加即得总损失，用于反向传播。[0027]基于上述的损失函数进行优化，训练使用sgd优化器，动量为0.9，开始训练时，学习率采用预热的方法逐渐增大至0.01。将批次大小设置为4，即训练时四对图片算作一次迭代，每对图片为同一地点两个时期的遥感图像，共四万次迭代，每次迭代完成后分别输出损失。每当训练集全部迭代一次后进行一次测试，输出测试精度，以便进行神经网络训练程度的预测。[0028]s4.利用最后训练好的变化检测模型，将不同时期的遥感图像送入模型，得到变化预测图：得到最终训练好的模型后，将成对的不同时期的待检测遥感图像对送入模型，则可得到变化预测图。[0029]实施例2本实施例提供了实现本发明的硬件设备：一种存储设备，其为计算机可读存储设备，所述的计算机可读存储设备上存储有计算机程序用于实现如实施例1所述的基于卷积自编解码器的遥感图像无监督变化检测方法中的步骤。[0030]一种基于卷积自编解码器的遥感图像无监督变化检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例1所述的基于卷积自编解码器的遥感图像无监督变化检测方法。[0031]以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!