[發(fā)明專利]基于深度卷積神經(jīng)網(wǎng)絡的端對端高光譜圖像變化檢測方法

在審

• 申請?zhí)枺?/td>: 201810929252.0
• 申請日: 2018-08-15
• 公開（公告）號: CN109102529A
• 公開（公告）日: 2018-12-28
• 發(fā)明（設計）人: 王琦;李學龍;袁征航
• 申請（專利權(quán)）人: 西北工業(yè)大學
• 主分類號: G06T7/246
• 分類號: G06T7/246
• 代理公司: 西北工業(yè)大學專利中心 61204
• 代理人: 常威威

1.一種基于深度卷積神經(jīng)網(wǎng)絡的端對端高光譜圖像變化檢測方法，其特征在于步驟如下：

步驟1：利用ENVI遙感圖像處理軟件對輸入的兩時相高光譜圖像進行輻射校正、幾何校正和圖像配準預處理，得到預處理后的兩時相高光譜圖像；

步驟2：采用Plaza A等2005年的工作An improved N-FINDR algorithm inimplementation[J]，Proceedings of SPIE-The International Society for OpticalEngineering,2005,5806:298-306中提出的N-FINDR端元提取算法對預處理后的兩時相高光譜圖像進行端元提取，得到兩時相高光譜圖像所有像元的端元；

步驟3：對高光譜圖像中的每一個像元，建立線性解混模型如下：

其中，r表示高光譜圖像中的一個像元，m表示像元r的端元總數(shù)，x_i為像元r的端元矩陣X中的第i列，w_li是像元r的線性豐度圖wl的第i個元素，ε是隨機噪聲向量；

利用全約束最小二乘法對公式(1)進行求解，即可得到像元r的線性豐度圖w_l；對兩時相高光譜圖像的每一個像元，均按此步驟上述過程進行處理，得到其線性豐度圖；

步驟4：對高光譜圖像中的每一個像元，建立非線性解混模型如下：

其中，⊙是點乘算子，xj為像元r的端元矩陣X中的第j列，w_ni是像元r的非線性豐度圖w_n的第i個元素，0≤w_ni≤1，a_ij是非線性模型的參數(shù)，滿足：

利用Yu J等2017年的工作Comparison of linear and nonlinear spectralunmixing approaches:a case study with multispectral TM imagery[J]，International Journal of Remote Sensing,2017,38(3):773-795中提出的BFM方法對公式(2)進行求解，得到像元r的非線性豐度圖w_n；

對兩時相高光譜圖像的每一個像元，均按此步驟上述過程進行處理，得到其非線性豐度圖；

步驟5：由高光譜圖像中隨機選取10％的像元作為訓練數(shù)據(jù)集，剩余像元則構(gòu)成測試數(shù)據(jù)集，對訓練數(shù)據(jù)集中的每一個像元按照K＝1-(R₁-R₂)/R₂計算得到其親和矩陣K，其中，R₁為第一時相高光譜圖像中的像元和其線性豐度圖、非線性豐度圖直接相加得到的新的數(shù)據(jù)塊，R₂為第二時相高光譜圖像中相同位置的像元和其線性豐度圖、非線性豐度圖直接相加得到的新的數(shù)據(jù)塊；然后，將得到的親和矩陣作為用于變化檢測的卷積神經(jīng)網(wǎng)絡的輸入，采用隨機梯度下降法最小化損失函數(shù)，對網(wǎng)絡進行有監(jiān)督訓練，得到訓練好的網(wǎng)絡模型；

所述的用于變化檢測的神經(jīng)網(wǎng)絡共包含4個卷積層，2個池化層，2個全連接層，其中，第一個卷積層采用64個大小為3×3的卷積核，輸出結(jié)果輸入第二個卷積層，第二個卷積層采用128個3×3的卷積核，輸出結(jié)果輸入第一個平均池化層，第一個平均池化層采用2×2的卷積核，輸出結(jié)果輸入到第三個卷積層，第三個卷積層采用256個3×3的卷積核，輸出結(jié)果輸入到第四個卷積層，第四個卷積層采用128個3×3的卷積核，結(jié)果輸入到第二個平均池化層，第二個平均池化層采用2×2的卷積核，將輸出結(jié)果轉(zhuǎn)換為向量輸入到一個包含512個神經(jīng)單元的全連接層，再將輸出結(jié)果輸入到另一個包含2個神經(jīng)元的全連接層，得到最終輸出的分類結(jié)果；所述的損失函數(shù)為交叉熵函數(shù)；

步驟6：對于測試數(shù)據(jù)集，先按照步驟5中的方法計算得到其每一個像元的親和矩陣，然后將親和矩陣輸入到步驟5得到的訓練好的網(wǎng)絡模型，網(wǎng)絡輸出即為得到的變化檢測結(jié)果。