复合一致性约束自集成的高光谱变化检测方法

技术领域

本发明属于数字图像处理方法，尤其涉及一种复合一致性约束自集成的高光谱变化检测方法。

背景技术

从同一地理位置的多时相高光谱影像中识别出地表变化的实体或现象，是本领域的主要研究任务，其中，基于深度学习的自动化检测方法能够及时表征自然现象以及人类对自然改造的地表变化，为城市规划与发展、灾害监测与评估、资源勘探与管理、地图更新与修订等实际应用场景及时地提供了多样的支撑材料。

现有基于全监督深度学习方法所具有的优异检测性能离不开大量有标签样本的训练，即变化真值图的制作。一般情况下，对于可视化效果较好的高空间分辨率的遥感影像来讲，目视解译过程相对简单；反之，对于高光谱影像来讲，混合像元问题使其可视化效果并不理想，且光谱混叠亦使仅依赖光谱信息来制作标签的不可靠。因此，双时相高光谱影像变化标签的制作过程需要专家级的判别能力，有时甚至需要实地考察以确定样本点的真实变化情况，该过程代价高昂且效率低下。

现有解决该问题的方法可大致分为两种，一种是对训练集数据的规模进行增广，通过缩放、旋转、翻转等方式达到扩充数据集的目的；二是通过一些特定的学习算法，如半监督学习等。可以看出，少样本问题在本领域中得到广泛关注，仍有大量工作有待进一步研究。

发明内容

本发明是为了解决现有技术所存在的上述问题，提供一种复合一致性约束自集成的高光谱变化检测方法。

本发明的技术解决方案是：一种复合一致性约束自集成的高光谱变化检测方法，依次按照如下步骤进行：

步骤1.在数据准备阶段，从T

步骤1.1将X

步骤1.2对X中的样本点进行随机采样，记采样率为γ，则有标签样本记为X

步骤1.3将X的维度从R

步骤1.4对X使用PCA方法进行降维，记降维后的数据为Xp∈R

步骤2.在多强度扰动阶段，向X

步骤3.设置网络迭代总次数为Ep；

步骤4.使用变化检测网络f

步骤4.1使用二维卷积层、ReLU层、平均池化层和跳跃连接对

步骤4.2使用线性层和ReLU层对

步骤4.3将

步骤4.4使用Dropout和线性层从

其中Bs为批大小；

步骤4.5按照公式(4)从

其中，{(a，c)|(0，0)，(0，1)，(1，0)，(1，1)}；

步骤5.使用变化检测网络f

步骤5.1使用二维卷积层、ReLU层、平均池化层和跳跃连接对

步骤5.2使用线性层和ReLU层对

步骤5.3将

步骤5.4使用Dropout和线性层从

步骤6.使用集成学习网络f

步骤.6.1使用二维卷积层、ReLU层、平均池化层和跳跃连接对

步骤6.2使用线性层和ReLU层对

步骤6.3将

步骤6.4按照公式(9)从

其中，{(a，c)|(0，0)，(0，1)，(1，0)，(1，1)}；

步骤6.5按照公式(10)进行有标签样本的类级一致性监督：

步骤7.使用集成学习网络f

步骤7.1使用二维卷积层、ReLU层、平均池化层和跳跃连接对

步骤7.2使用线性层和ReLU层对

步骤7.3将

步骤7.4使用Dropout和线性层从

步骤7.5按照公式(13)筛选无标签样本；

步骤7.6按照公式(14)进行无标签样本的块级一致性监督；

步骤8.按照公式(15)计算变化检测网络f

步骤9.按照公式(16)优化集成学习网络f

其中，λ(t)为sigmoid ramp-up函数，

步骤10.当t＞Ep时，训练过程结束，得到训练完毕的集成学习网络f

步骤11.使用集成学习网络f

本发明针对双时相高光谱影像变化标签制作困难问题，公开一种复合一致性约束自集成的高光谱变化检测方法，来减轻网络对样本量的需求，力争利用半监督的学习模式，增强对无标签信息的利用，并在此基础上，设计多级正则学习模式减轻过少样本量为训练所带来的负面影响。具体来说，该框架主要包含两个具有相同网络结构的网络模型，分别称为变化检测网络和集成学习网络，通过包含对来自有标签样本的分类监督、类级一致性监督，以及来自无标签样本的块级一致性监督这三重复合的一致性约束，使变化检测网络学习到有效判别特征的同时，让集成学习网络可对其进行聚合，实现多重有效特征的集成。

附图说明

图1是本发明实施例的步骤图。

图2是变化检测网络的步骤图。

图3是本发明方法与现有技术在采样率为0.1％下对River数据集的可视化检测结果与OA、Kappa两项客观评价指标结果对比图。

图4是本发明方法与现有技术在采样率为0.1％下对Farmland数据集的可视化检测结果与OA、Kappa两项客观评价指标结果对比图。

图5是本发明方法与现有技术在采样率为0.1％下对USA数据集的可视化检测结果与OA、Kappa两项客观评价指标结果对比图。

具体实施方式

本发明的一种复合一致性约束自集成的高光谱变化检测方法如图l所示，分别有训练步骤和测试步骤，依次按照如下步骤进行：

步骤1.在数据准备阶段，从T

步骤1.1将X

步骤1.2对X中的样本点进行随机采样，记采样率为γ，则有标签样本记为X

步骤13将X的维度从R

步骤1.4对X使用PCA方法进行降维，记降维后的数据为Xp∈R

步骤2.在多强度扰动阶段，向X

步骤3.设置网络迭代总次数为Ep；

步骤4.使用如图2所示的变化检测网络f

步骤4.1使用二维卷积层、ReLU层、平均池化层和跳跃连接对

步骤4.2使用线性层和ReLU层对

步骤4.3将

步骤4.4使用Dropout和线性层从

其中Bs为批大小；

步骤4.5按照公式(4)从

其中，{(a，c)|(0，0)，(0，1)，(1，0)，(1，1)}；

步骤5.使用如图2所示的变化检测网络f

步骤5.1使用二维卷积层、ReLU层、平均池化层和跳跃连接对

步骤5.2使用线性层和ReLU层对

步骤5.3将

步骤5.4使用Dropout和线性层从

步骤6.使用如图2所示的集成学习网络f

步骤6.1使用二维卷积层、ReLU层、平均池化层和跳跃连接对

步骤6.2使用线性层和ReLU层对

步骤6.3将

步骤6.4按照公式(9)从

其中，{(a，c)|(0，0)，(0，1)，(1，0)，(1，1)}；

步骤6.5按照公式(10)进行有标签样本的类级一致性监督：

步骤7.使用如图2所示的集成学习网络f

步骤7.1使用二维卷积层、ReLU层、平均池化层和跳跃连接对

步骤7.2使用线性层和ReLU层对

步骤7.3将

步骤7.4使用Dropout和线性层从

步骤7.5按照公式(13)筛选无标签样本；

步骤7.6按照公式(14)进行无标签样本的块级一致性监督；

步骤8.按照公式(15)计算变化检测网络f

步骤9.按照公式(16)优化集成学习网络f

其中，λ(t)为sigmoid ramp-up函数，

步骤10.当t＞Ep时，训练过程结束，得到训练完毕的集成学习网络f

步骤11.使用集成学习网络f

将本发明实施例与现有的CSDBF、DA-Former、CNCMN、MSDFFN、GTMSiam、ML-EDAN方法对River数据集的检测结果(包括可视化检测结果图与OA和Kappa两项客观评价指标结果)对比，结果如图3所示。

将本发明实施例与现有的CSDBF、DA-Former、CNCMN、MSDFFN、GTMSiam、ML-EDAN方法对Farmland数据集的检测结果(包括可视化检测结果图与OA和Kappa两项客观评价指标结果)对比，结果如图4所示。

将本发明实施例与现有的CSDBF、DA-Former、CNCMN、MSDFFN、GTMSiam、ML-EDAN方法对USA数据集的检测结果(包括可视化检测结果图与OA和Kappa两项客观评价指标结果)对比，结果如图5所示。

对比结果表明本发明较现有的CSDBF、DA-Former、CNCMN、MSDFFN、GTMSiam、ML-EDAN方法能够获得更加准确的检测结果。