一种鲁棒的多时相多光谱影像变化检测方法

技术领域

本发明属于机器学习技术领域，具体涉及一种影像变化检测方法。

背景技术

20世纪以来，遥感成为一门实用的，先进的空间探测技术。多时相的遥感影像可以让我们观测、分析地球的变化。而从同一地区的不同时间的遥感影像中定量、定性地分析差异，从而获得地物变化的相关信息，正是变化检测研究的主要内容。变化检测离我们并不遥远，它已经被应用到了社会生活的方方面面，如城市变迁监测、灾害救援、农业生产评估、军事侦察等。与其他遥感影像解译技术相比，变化检测要处理的数据量更多(多时相影像)，数据异质性更强(非一致影像)。在遥感影像中，基于光谱成像技术，具有“图谱合一”特点的多光谱、高光谱影像备受研究者青睐。通过分光技术，将接收到的光信号(电磁波)分解为多个具有一定间隔而又连续的波段，不同波段上的能量被对应的传感器吸收，从而对每个波段单独成像，各个波段的影像按波长大小自然排列，组成一个多维的数据立方体。该立方体的每一层都是同一区域在某波段上所成的图像，而某一像元(即像素)在不同波段的辐射值又反映了该处地物的光谱信息。

光谱影像变化检测发展至今，始终有一个绕不开的问题——影像非一致现象。如上所述，光谱影像最大的特点就是其能够提供不同区域地物对应的光谱曲线，而由于不同的成像条件等客观因素的影响，不同时相的同一地物会展现出不同的光谱特性。这毫无疑问影响了光谱影像变化检测的精度。

现有的无监督变化检测方法受限于非一致影像，因此往往无法表现出优秀的性能。而以神经网络为代表的有监督算法，得益于标签信息，对非一致影像体现出了一定的鲁棒性。但由于制作一个光谱影像变化检测的数据集要消耗大量人力物力，因此现有的可用数据集很少。因此，问题的关键是如何设计一个能够抵抗影像非一致性，同时又不需要带标签样本的无监督光谱影像变化检测算法。

发明内容

为了克服现有技术的不足，本发明提供了一种鲁棒的多时相多光谱影像变化检测方法，首先进行非一致性影像的校正算法，通过光谱影像解混算法对双时相影像分别解混，获得亚像元丰度与端元矩阵；使用k近邻法对原始数据进行预检测，划分数据为变化及未变化；利用预检测出的未变化数据的丰度计算校正矩阵；接下来进行基于时空谱特征学习的多光谱影像变化检测，以多时相影像中的每个像素为中心，取S×S的像素块；使用k近邻法对原始数据进行预检测，将变化和未变化两类分配标签作为伪训练集；利用伪训练集训练提出的神经网络；最后用训练好的神经网络，对所有数据进行检测。本发明提出方法能有效抵抗非一致影像带来的影响，提升算法鲁棒性。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：非一致性影像的校正算法；

步骤1-1：给定双时相影像

步骤1-2：通过多层非负矩阵分解对X

步骤1-3：对X

步骤1-4：利用高可靠未变化样本集G求解校正矩阵H＝diag(h

其中

步骤1-5：利用校正矩阵H，求解出校正后的影像X

X

步骤1-6：重复步骤1-2到步骤1-5，将其中的X

步骤2：基于时空谱特征学习的多光谱影像变化检测方法；

步骤2-1：对X

步骤2-2：对X

步骤2-3：将步骤8获取的每个像素位置对应的S×S的像素块作为输入样本，步骤7获取的高可靠伪训练样本集中的高可靠变化样本和未变化样本作为标签对神经网络进行训练，神经网络结构如表1：

表1神经网络结构

步骤3：对待检测多时相影像对按步骤1的非一致性影像的校正算法进行处理，再由步骤2-2得到每个像素位置对应的S×S的像素块输入步骤2-3训练完成的神经网络，输出得到最终检测结果。

本发明的有益效果如下：

1、无监督。本发明通过使用预检测算法的方式生成伪训练集，来训练神经网络，相比于有监督算法，不需要引入先验信息即可进行检测。

2、更鲁棒。本发明提出的校正算法能有效抵抗非一致影像带来的影响，提升算法鲁棒性，而多光谱影像变化检测方法，能深入挖掘多时相光谱影像的时、空、谱相关信息，提取时空谱特征，更进一步保证了算法整体的优越性和鲁棒性。

3、更灵活。本发明的两个子方法可作为一个整体进行多时相光谱影像的变化检测，又可以进行拆分，其中的校正算法可以作为预处理步骤，与其他变化检测算法相结合，提升其他算法的性能。

附图说明

图1为本发明方法流程图。

图2为本发明方法神经网络结构图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

本发明的目的在于针对现有算法的不足，结合无监督算法不需要带标签样本与神经网络提取鲁棒特征的能力，提出一种无监督的鲁棒多时相光谱影像变化检测方法。

如图1所示，一种鲁棒的多时相多光谱影像变化检测方法，包括以下步骤：

步骤1：非一致性影像的校正算法；

步骤1-1：给定双时相影像

步骤1-2：通过多层非负矩阵分解对X

步骤1-3：对X

步骤1-4：利用高可靠未变化样本集G求解校正矩阵H＝diag(h

其中

步骤1-5：利用校正矩阵H，求解出校正后的影像X

X

步骤1-6：重复步骤1-2到步骤1-5，将其中的X

步骤2：基于时空谱特征学习的多光谱影像变化检测方法；

步骤2-1：对X

步骤2-2：对X

步骤2-3：将步骤8获取的每个像素位置对应的S×S的像素块作为输入样本，步骤7获取的高可靠伪训练样本集中的高可靠变化样本和未变化样本作为标签对如图2所示的神经网络进行训练，神经网络结构如表1；神经网络结构包含了三维卷积模块以及循环卷积网络，可以学习到如何挖掘、利用像素块的空间、谱间信息，同时，对多时相提供的时序相关性进行建模，从而提取出鲁棒的时空谱特征，进而以此为依据，对输入像素块的中心像素进行变化与否的判定；

步骤3：对待检测多时相影像对按步骤1的非一致性影像的校正算法进行处理，再由步骤2-2得到每个像素位置对应的S×S的像素块输入步骤2-3训练完成的神经网络，输出得到最终检测结果。

对表1网络结构的补充说明：

a)Input Size描述的是当前层输入数据的维度channel×depth×height×width。

b)Conv4的输出的空谱特征的维度是32×6×1×1。三分支输出三个空谱特征，转换为一维向量后，输入给两个RNN，建模时序相关性后，输出两个相同大小的时空谱特征。

c)两个时空谱特征直接拼接在一块，输入给FC1。

具体实施例：

1、实验条件

本发明是在中央处理器为

实验中使用的多时相数据集包括Taizhou、Wuhan以及Nanchang共三个，其中Taizhou数据由Zhang等人在文献"A Coarse-to-Fine Semi-Supervised ChangeDetection for Multispectral Images,IEEE Transactions on Geoscience and RemoteSensing,vol.56,no.6,June 2018."中提出，Wuhan以及Nanchang均由自己采集制作。此外，Nanchang数据集包含了三个时相的影像。

2、实验内容

为了说明非一致性影像的校正算法的有效性，将校正算法与一个简单的三维卷积神经网络进行结合，得到一个新模型，称为Re-CD，同时选取了W.Malila在文献"Changevector analysis:An approach for detecting forest changes with landsat,1980,"中提到的经典的变化向量分析方法(CVA)、M.Baisantry等人在文献"Change vectoranalysis using enhanced PCA and inverse triangular function-basedthresholding.Defence Science Journal,vol.62,no.4,pp.236–242,2012."中提出的PCA-CVA以及一个简单的神经网络(CNN)作为对比算法，此外，还设置了一个CVA的对照组Re-CVA，即将校正算法与CVA结合得到的新算法。实验评价指标包括总准确性(OA)、一致性系数(Kappa)、未变化像素识别率(Unchanged)以及变化像素识别率(Changed)。对比结果如表1、表2所示。

可以看出Re-CD在无监督算法内有着最好性能，同时，在OA这一项上表现趋近于有监督的CNN。此外，将校正算法与CVA结合后的Re-CVA，相比于CVA，有了大幅度提升。这充分说明了校正算法的有效性。

表1 Wuhan数据集实验结果

表2 Taizhou数据集实验结果

为了说明基于时空谱特征学习的多光谱影像变化检测方法的有效性，在Nanchang三时相数据集上进行实验。同时，在对比方法上，将校正算法与基于时空谱特征学习的多光谱影像变化检测方法相结合，提出MT-CD，该模型与Re-CD的区别在于，前者使用了三个时相的影像数据作为输入，且在网络结构上也自适应地发生了变化。从表3中可以看出，MT-CD相比Re-CD有极大提升，且在无监督算法内有着最好性能。此外，相比于有监督的CNN，在OA上的差距也只有0.56％左右。这充分说明了基于时空谱特征学习的多光谱影像变化检测算法的有效性。

表3 Nanchang数据集实验结果

综上，本发明的有效性得到充分验证。