[發(fā)明專利]基于VGG16和孿生神經(jīng)網(wǎng)絡(luò)的遙感影像變化檢測方法

在審

• 申請?zhí)枺?/td>: 202010885624.1
• 申請日: 2020-08-28
• 公開（公告）號: CN112115808A
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計(jì)）人: 王鑫;張香梁;呂安
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 周科技

本發(fā)明公開了一種基于VGG16和孿生神經(jīng)網(wǎng)絡(luò)的遙感影像變化檢測方法，包括以下步驟：搭建改進(jìn)的VGG16網(wǎng)絡(luò)并對網(wǎng)絡(luò)進(jìn)行訓(xùn)練；訓(xùn)練時(shí)輸入圖像進(jìn)行數(shù)次卷積操作后得到兩幅特征圖像，對兩幅特征圖像進(jìn)行合并；對于上一步驟得到的特征圖像進(jìn)行數(shù)次上采樣和反卷積的操作恢復(fù)到原圖大小；最后再進(jìn)行一次卷積，經(jīng)過softmax層后將圖像塊分為變化類和未變化類；輸入要測試的圖像，利用訓(xùn)練好的網(wǎng)絡(luò)得到變化檢測圖。本發(fā)明使用深度神經(jīng)網(wǎng)絡(luò)更有效地獲取目標(biāo)特征，并且本方法避免了差值圖的生成，避免了差值圖對結(jié)果的影響。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像變化技術(shù)領(lǐng)域，特別涉及一種基于VGG16網(wǎng)絡(luò)和孿生神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法。

背景技術(shù)

現(xiàn)在遙感技術(shù)應(yīng)用于越來越多的領(lǐng)域，比如：森林或植被的動態(tài)變化監(jiān)測、對自然災(zāi)害的災(zāi)后分析及評估、對土地利用的變化分析、對農(nóng)田進(jìn)行監(jiān)控、對城鎮(zhèn)變化實(shí)時(shí)監(jiān)測、分析農(nóng)作物生長狀況、對軍事戰(zhàn)略目標(biāo)(機(jī)場、道路等)進(jìn)行動態(tài)監(jiān)視等領(lǐng)域，極大地促進(jìn)了經(jīng)濟(jì)和社會的發(fā)展。

遙感圖像變化檢測屬于遙感圖像處理領(lǐng)域，用于分析處理同一地點(diǎn)不同時(shí)期的遙感圖像而獲得變化信息。國內(nèi)外學(xué)者已經(jīng)對遙感圖像變化檢測問題進(jìn)行了大量的研究，提出了各種各樣的變化檢測方法。其中基于特征的變化檢測方法是利用圖像中的光譜特征、紋理特征、空間結(jié)構(gòu)等特性，對遙感圖像進(jìn)行變化檢測。而使用傳統(tǒng)的方法提取圖像的特征不具有代表性，用在遙感圖像變化檢測上識別精度較低。

發(fā)明內(nèi)容

發(fā)明目的：針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供一種基于VGG16網(wǎng)絡(luò)和孿生神經(jīng)網(wǎng)絡(luò)的遙感圖像變化檢測方法，使用深度神經(jīng)網(wǎng)絡(luò)更有效地獲取目標(biāo)特征，并且本方法避免了差值圖的生成，避免了差值圖對結(jié)果的影響。

技術(shù)方案：為實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明所采用的技術(shù)方案是：一種基于VGG16和孿生神經(jīng)網(wǎng)絡(luò)的遙感影像變化檢測方法，輸入圖像進(jìn)行數(shù)次卷積操作后得到兩幅特征圖像，對兩幅特征圖像進(jìn)行合并，再進(jìn)行數(shù)次上采樣和反卷積的操作恢復(fù)到原圖大小，最后再進(jìn)行一次卷積，經(jīng)過softmax層后將圖像分為變化類和未變化類；步驟如下：

(1)獲取遙感圖像數(shù)據(jù)集，包括變化前和變化后的圖像；將數(shù)據(jù)集中圖像切割為圖像塊，將圖像塊分別標(biāo)注為變化或未變化類標(biāo)簽，構(gòu)建訓(xùn)練集和測試集；

(2)構(gòu)建基于VGG16模型的卷積神經(jīng)網(wǎng)絡(luò)，包括若干個(gè)卷積層和池化層，若干個(gè)上采樣和反卷積層，以及最后一層卷積層和softmax層；

(3)將訓(xùn)練集中同一區(qū)域兩個(gè)時(shí)相的圖像塊作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，類標(biāo)簽作為輸出，構(gòu)建損失函數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，直到誤差滿足預(yù)期，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；

(4)將測試集中同一區(qū)域兩個(gè)時(shí)相的圖像塊輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，通過卷積神經(jīng)網(wǎng)絡(luò)將圖像塊分為變化類和未變化類，得到最后的變化檢測圖。

進(jìn)一步的，所述步驟(3)，過程如下：

將訓(xùn)練集中同一區(qū)域兩個(gè)時(shí)相的圖像塊輸入卷積神經(jīng)網(wǎng)絡(luò)，首先經(jīng)過若干個(gè)卷積層和池化層后得到兩個(gè)特征圖，將兩個(gè)特征圖像合并，并進(jìn)行一次反卷積操作；然后將得到的特征圖像進(jìn)行若干次上采樣和反卷積，接著進(jìn)行最后一次卷積，經(jīng)過softmax層后將圖像塊分為變化類和未變化類；其中，經(jīng)過softmax層得到一個(gè)概率二值化圖像，有變化的像素點(diǎn)p₁為1，無變化的像素點(diǎn)p₀為0；

采用交叉熵作為損失函數(shù)，公式如下：

式中m為樣本數(shù)，即圖像中的像素點(diǎn)數(shù)；y₀和y₁是實(shí)際標(biāo)簽，分別代表無變化的像素點(diǎn)和有變化的像素點(diǎn)。

進(jìn)一步的，所述步驟(2)，卷積神經(jīng)網(wǎng)絡(luò)的卷積層和池化層結(jié)構(gòu)如下：