一種基于優化神經網絡模型的遙感圖像變化檢測方法
【專利摘要】本發明涉及一種基于優化神經網絡模型的遙感圖像變化檢測方法，深度神經網絡通常包括三個模型，分別為：堆疊自編碼器、深度置信網絡、卷積神經網絡。本發明使用卷積神經網絡(Convolutional Neural Network，CNN)的訓練方式，先構造一個改進的CNN模型，稱為ACNN；隨機挑選很少量的樣本點，并人為標定這些樣本點的變化檢測結果，將這些樣本點和標定檢測結果作為訓練ACNN的訓練數據。再使用訓練好的ACNN對未分類樣本進行變化檢測獲得最終的變化檢測結果。本發明使用有監督的學習方法處理遙感圖像變化檢測問題，提高了檢測精度。
【專利說明】
-種基于優化神經網絡模型的遙感圖像變化檢測方法
技術領域
[0001] 本發明屬于優化的神經網絡模型，利用運種模型進行遙感圖像變化檢測的方法， 具體設及一種基于優化神經網絡模型的遙感圖像變化檢測方法。
【背景技術】
[0002] 遙感圖像變化檢測的常用技術是先將兩圖像進行差分，再將差分圖W像素點為單 位進行二分類;或者先對圖像進行分割，再W分割后的對象作為基本單位對其進行二分類。 在現有技術中，提取哪些特征來進行分類，通常由人為設定，往往會導致圖像本身含有的許 多信息被忽略，使得檢測結果不夠精確。
[0003] 是一種深度神經網絡，可W在很大程度上解決人為提取特征過程中信息遺漏 的問題。但在現有的遙感圖像變化檢測技術中，尚未使用卷積神經網絡算法取得很好的檢 測結果，因此可W通過一些網絡模型改進方法建立新的變化檢測方法。
【發明內容】
[0004] 要解決的技術問題
[0005] 為了避免現有技術的不足之處，本發明提出一種基于優化神經網絡模型的遙感圖 像變化檢測方法，將一種改進的神經網絡技術運用到遙感圖像變化檢測領域W解決現有技 術中檢測精確度不高等問題。
[0006] 技術方案
[0007] -種基于優化神經網絡模型的遙感圖像變化檢測方法，其特征在于步驟如下：
[0008] 步驟1:對不同時刻同一地點獲取的兩幅待檢測遙感圖像進行了配準、福射校正及 幾何校正處理;對處理后的數據進行特征提取，提取方法是:提取兩幅圖中W單個像素點作 為中屯、的9*9的圖像塊組成一個9*9*2的圖像塊作為原始特征，提取原始特征中1-5%作為 訓練數據，W對應像素點的實際變化值作為類別標簽；
[0009] 步驟2:在卷積神經網絡模型去掉下采樣層，而且其中最后一個卷積層不使用 激勵函數，直接添加邏輯回歸分類器，其它卷積層激勵函數使用校正線性單元ReLu,構造一 種AC順模型；
[0010] 步驟3、對AC順模型進行訓練:對每個AC順中的卷積核的參數進行調整，訓練時W 平方和函數作為代價函數，使用BP算法修改卷積核和偏置等網絡參數;所有訓練樣本依次 使用一遍之后，稱為完成了一輪訓練;每一輪訓練完畢后，隨機選取適量的非訓練樣本作為 驗證集;每次訓練需計算驗證集結果的誤差；當驗證集結果的誤差由逐漸變小的趨勢變為 逐漸變大的趨勢時，代表模型的泛化能力減弱，訓練終止；
[0011]步驟4:將圖像的所有原始特征輸入訓練好的AC順模型中對待測樣本進行分類檢 測，得到最終變化檢測結果圖。
[0012] 有益效果
[0013]本發明提出的一種基于優化神經網絡模型的遙感圖像變化檢測方法，深度神經網 絡通常包括=個模型，分別為:堆疊自編碼器、深度置信網絡、卷積神經網絡。本發明使用卷 積神經網絡(Convolutional化Ural化twork，CNN)的訓練方式，先構造一個改進的CNN模 型，稱為ACNN;隨機挑選很少量的樣本點，并人為標定運些樣本點的變化檢測結果，將運些 樣本點和標定檢測結果作為訓練ACNN的訓練數據。再使用訓練好的ACNN對未分類樣本進行 變化檢測獲得最終的變化檢測結果。
[0014]本發明使用有監督的學習方法處理遙感圖像變化檢測問題，提高了檢測精度。
【附圖說明】
[001引圖1是本發明提出的基于ACNN檢測網絡組成結構框圖
[0016] 圖2是本發明提出的檢測方法流程圖
【具體實施方式】
[0017] 現結合實施例、附圖對本發明作進一步描述：
[0018] 本發明的一種實施方式具體步驟如下：
[0019] 步驟1、選取訓練樣本
[0020] 設時刻ti，t2為兩個不同時刻，利用同一遙感傳感器在同一波段上對同一地點分別 獲取在tl，t2時刻的兩幅遙感圖像。且將已經過配準和福射校正及幾何校正的兩幅圖像記 作：％，拉"。
[0021] 設Xi,拉的長均為P個像素，寬均為q個像素，對兩幅圖像的每個坐標點Q J)，其中
>別提取兩幅圖像中W此坐標點為中屯、的一個n*n鄰域 作為一對相對應的圖像塊，例如9*9的像素，將運兩個n*n的圖像塊堆疊在一起形成一個n* n巧的圖像塊，作為一個樣本化(i，j)的原始特征，真實變化檢測結果圖中坐標點（i，j)的像 素值作為運個樣本的教師信號。
[0022] 隨機提取總樣本數量的一小部分，例如1%-5%作為訓練樣本集。再隨機提取總樣 本數量的另一小部分，例如1%作為驗證樣本集，其余樣本作為測試樣本集。
[0023] 步驟2、構建ACNN模型網絡結構
[0024] 普通的C順由多個卷積層和池化層（即pooling層)組成，在本模型中對C順進行了 改進，僅僅使用了卷積層。卷積層是通過不同的卷積核對每層輸入進行卷積操作，對于不同 的卷積核，輸入圖像的響應強度會不同。在卷積結束后再經過激勵函數就可得到下一層的 輸入。本發明中采用激勵函數是:校正線性單元(Rectified Linear化its,ReLu),它的數 學表達式為f (X) =max(0,x)。
[0025] 構造 AO^N模型，其每層的激勵函數為ReLu,最后一個卷積層不使用激勵函數。在本 實施例中，O^N的卷積層個數為5,每一層卷積層卷積核大小為3*3,隨著層數的遞增，卷積核 數量為先遞增后遞減，每層最多不超過100個卷積核。
[0026] 在最后一個卷積層后添加一個邏輯回歸分類器用于對圖像分類。
[0027] 步驟3、對網絡進行訓練
[0028] 將訓練樣本集的原始特征送入AO^N依據邏輯回歸分類器的輸出對圖像進行分類， 計算網絡分類結果與訓練樣本集教師信號的誤差，使用反向傳播算法對模型進行訓練，對 邏輯回歸模型W及卷積核和偏置進行調整。由于訓練樣本量較大，采用分塊進行訓練，每一 塊稱作一個batch。計算誤差時，定義代價函數C為平方和函數：
、其中，m 表示batch的大小，一般取20-100個圖像塊對，ti表示第i個圖像塊對相應的教師信號，Zi表 示經網絡運算后輸出第i個圖像塊對的檢測結果值。
[0029] 使用誤差的反向傳播算法對ACN飾莫型進行訓練，計算代價函數C對權值W1、卷積核 W2及偏置b的偏導數，然后對權值、卷積核和偏置進行調整：
其中n為學習率，在本實施例中n=〇. 01。
[0030] 步驟4、選取驗證集進行驗證
[0031] 使用步驟1提取的驗證集對訓練結果進行驗證，需要注意的是，在網絡訓練完成 前，驗證集不會改變，并且要求驗證集與訓練集的樣本不重合。驗證集的作用是為了防止訓 練過擬合的情況。在每一次訓練完成后，可求得驗證集樣本的誤差。
[0032] 步驟5、判斷終止條件
[0033] 由于訓練樣本集的誤差會隨著迭代次數的增加而逐漸減小，驗證樣本集的誤差會 先減小后增大，在本發明中，選取訓練終止條件為：當驗證集的誤差開始從由逐漸減小變成 逐漸增大時，認為整個網絡已經開始過擬合，此時即可停止訓練;否則返回步驟3。通常迭代 次數在800次W內。
[0034] 步驟6、分類
[0035] 訓練終止后，就可W利用訓練好的ACW^的檢測網絡對待測樣本進行分類檢測，得 到最終變化檢測結果圖。
【主權項】
1. 一種基于優化神經網絡模型的遙感圖像變化檢測方法，其特征在于步驟如下： 步驟1:對不同時刻同一地點獲取的兩幅待檢測遙感圖像進行了配準、輻射校正及幾何 校正處理;對處理后的數據進行特征提取，提取方法是:提取兩幅圖中以單個像素點作為中 心的9*9的圖像塊組成一個9*9*2的圖像塊作為原始特征，提取原始特征中1-5 %作為訓練 數據，以對應像素點的實際變化值作為類別標簽； 步驟2:在卷積神經網絡模型CNN去掉下采樣層，而且其中最后一個卷積層不使用激勵 函數，直接添加邏輯回歸分類器，其它卷積層激勵函數使用校正線性單元ReLu，構造一種 ACNN模型； 步驟3、對ACNN模型進行訓練:對每個ACNN中的卷積核的參數進行調整，訓練時以平方 和函數作為代價函數，使用BP算法修改卷積核和偏置等網絡參數;所有訓練樣本依次使用 一遍之后，稱為完成了一輪訓練;每一輪訓練完畢后，隨機選取適量的非訓練樣本作為驗證 集;每次訓練需計算驗證集結果的誤差；當驗證集結果的誤差由逐漸變小的趨勢變為逐漸 變大的趨勢時，代表模型的泛化能力減弱，訓練終止； 步驟4:將圖像的所有原始特征輸入訓練好的ACNN模型中對待測樣本進行分類檢測，得 到最終變化檢測結果圖。
【文檔編號】G06N3/08GK105957086SQ201610301344
【公開日】2016年9月21日
【申請日】2016年5月9日
【發明人】李映, 徐隆浩, 劉韜
【申請人】西北工業大學