一种基于可学习差分算法的遥感影像变化检测方法

摘要

本发明提供了一种基于可学习差分算法的遥感影像变化检测方法。首先，在差分进化算法的每次迭代过程中执行变异和交叉操作；然后，从原种群和交叉后种群中随机选择部分个体进入新种群，再从新种群中选择个体并进行标记，得到训练样本；接着，对神经网络进行训练，再利用训练好的神经网络选择进入下一代种群的个体；如此迭代，得到逼近真实最优值的种群，再计算最优的模糊关系矩阵，将差异图中的每个像素分配到最大模糊值的类别，最终完成变化检测。本发明方法具有良好的优化能力和收敛速度，且检测精度高。

说明书

技术领域

本发明属图像处理技术领域，具体涉及一种基于可学习差分算法的遥感影像变化检测方法。

背景技术

针对遥感影像的变化检测在现实中应用场景广泛，例如在自然灾害评估与处理中，利用遥感影像变化检测，能够快速分析出受灾区域，从而实施有效救助和规避危险。

传统的遥感影像变化检测算法主要分为四大类：阈值法、聚类法、图切法和水平集法。其中，比较常用的算法是阈值法和聚类法，而图切法和水平集法由于算法自身机制的问题，通常被用于前两种算法的初始化部分。为了无监督地得到最优阈值，Kittler等人在文献“Kittler,J.,and J.Illingworth.1986.“Minimum Error Thresholding.”PatternRecognition 19(1):41–47.doi:10.1016/0031-3203(86)90030-0.”中提出了Kittler-lllingworth(KL)阈值选取算法。虽然阈值法计算简单、运算效率较高、速度快，但其尝试选取最优阈值对差异图进行直接划分，太过生硬，不适合目标比较复杂的遥感影像，而且，在实际应用中，由于原始影像获取条件不同，得到的影像数据在数值上具有不一致性，导致基于阈值选择的算法检测精度有限。而聚类法通过分析影像数据的全局和局部信息，将相似的像素归为同一类别。例如，K-means算法作为典型的聚类算法，其在迭代过程中，将每一个像素确定性地划分为某一类别。与之不同的是，文献“Ghosh,A.,N.S.Mishra,andS.Ghosh.2011.“Fuzzy Clustering Algorithms for Unsupervised Change Detectionin Remote Sensing Images.”Information Sciences 181(4):699–715.doi:10.1016/j.ins.2010.10.016.”记载了模糊C均值聚类(Fuzzy c-means,FCM)算法，为差异图建立隶属度矩阵，使得每一个像素点均有可能被划分为任意类别。为了能在一定程度上平滑噪声的影响，Krinidis等人在文献“Krinidis,S.,and V.Chatzis.2010.“A Robust FuzzyLocal Information C-Means Clustering Algorithm.”IEEE Transactions on ImageProcessing 19(5):1328–1337.doi:10.1109/TIP.2009.2038814.”中结合邻域信息提出基于局部信息的C均值聚类(Fuzzy local information c-means clustering,FLICM)算法。聚类法的划分方式更合理，精度更高，是变化检测方法中最常用的算法。

但聚类算法通常存在收敛速度慢、优化方式无法达到理想的最优值和计算复杂度过大等问题，不利于算法的实际应用。因此，需要研究一种优化过程简单、算法计算复杂度相对较低、同时检测结果精度相对较高的遥感影像变化检测方法。

发明内容

为了克服现有技术的不足，本发明提供一种基于可学习差分算法的遥感影像变化检测方法。通过引入结合神经网络的差分进化(Differential Evolution，DE)，设计了一种可自主学习的无监督变化检测框架。首先，在经典DE算法基础上，将选择操作作为一种预选择方式，未被预选择的个体，均有一定概率被临时放入候选种群中，最终的候选样本由经过重组后的种群个体被打上对应的标签后得到；接着，从候选样本中选择部分样本用于神经网络的训练，训练好的网络即具有高效选择下一代的能力，同时，为了将前一代的选择经验传入下一代，采用迁移学习的方式进行网络训练，网络初始化参数来源于上一次已学习的网络。通过这种方式，每一代进化过程中，可以根据历史数据和当代种群个体特性的影响，学习不同的选择策略，以此决策进入下一代的个体，大大加速了进化算法的收敛速度。用可学习的DE算法优化构建的变化检测模型，能有效寻找到最优解。本发明能够较好地解决现有模糊聚类算法不能达到理想最优的问题，进一步加速算法收敛速度，从而实现精度相对较高的遥感影像变化检测结果。

一种基于可学习差分算法的遥感影像变化检测方法，其特征在于步骤如下：

步骤1：输入待检测的两时相遥感影像，计算其差异图像DI；设置初始参数并初始化种群x

步骤2：对种群x

步骤3：将种群x

步骤4：分别比较种群x

步骤5：以概率P

步骤6：以概率P

步骤7：利用步骤6得到的训练样本对RBM网络进行训练，得到训练好的网络，保留训练好网络的超参数；

步骤8：将种群x

步骤9：令迭代次数g＝g+1，如果g＜g

步骤10：将最终种群的个体代入差分进化优化函数，以使函数值最小的个体

步骤11：以矩阵U

进一步地，步骤1所述的差异图像DI按下式计算得到：

DI＝|log(I

其中，I

进一步地，步骤1所述的初始参数设置为：N

进一步地，步骤2所述的变异是指对种群中的个体按下式进行处理得到变异后的个体：

其中，v

所有变异后的个体构成变异后的种群。

进一步地，步骤3所述的交叉是指对种群x

其中，u

进一步地，步骤4中所述的差分进化优化函数表达式如下：

其中，

进一步地，步骤10中所述的模糊关系矩阵计算式如下：

其中，u

其中，N

本发明的有益效果是：(1)由于在传统聚类算法的基础上引入结合神经网络差分进化(Differential Evolution，DE)优化，实现对目标模型的全局搜索求解得到最优点，具有更好的鲁棒性和灵活性，且能够在有限的迭代步骤内得到更优的结果，计算量小。(2)由于在变化检测过程中，利用邻域像素相似信息和空间距离信息，并采用可自主学习的差分进化算法进行搜索，能够有效抑制噪声对检测结果的影响，具有更高的检测精度。(3)由于在受限玻尔兹曼机(Restricted Boltzmann machine,RBM)网络的训练过程中，采用迁移学习方式将上一代的选择经验传入下一代，迭代更新网络参数，可以根据历史数据和当代种群个体特性的影响学习不同的选择策略，以此决策进入下一代个体，能够大大加速DE算法的收敛速度，以此配合可学习DE算法优化构建的变化检测模型，能更加有效地寻找到最优解。

附图说明

图1是本发明的一种基于可学习差分算法的遥感影像变化检测方法流程图；

图2是本发明的RBM网络学习流程图；

图3是不同方法在渥太华数据集上的变化检测结果图像；

图4是采用不同方法的优化结果对比图。

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，本发明包括但不仅限于下述实施例。

针对原始的模糊聚类算法迭代方式不能达到理想最优、对噪声敏感等问题，本发明提出了一种基于可学习差分算法的遥感影像变化检测方法。构建基于神经网络指导选择策略的DE算法，实现对目标模型进行全局的搜索求解，从而达到最优点。相比于现有方法，本发明具有更强的优化能力以及收敛速度，能够在有限的迭代步骤内实现更优的结果，最终能够获得细节部分更为完整的遥感影像变化检测结果，同时能够大幅减少斑点噪声，具有更高的检测精度。

如图1所示，本发明方法的具体实现过程如下：

1、初始化

输入待检测的两时相遥感影像，按照下式计算其差异图像DI：

DI＝|log(I

其中，I

同时，设置初始参数并初始化种群x

随机初始化受限玻尔兹曼机(Restricted Boltzmann machine,RBM)网络参数，初始化迭代次数g＝1，随机初始化模糊关系矩阵U，满足

2、变异

对种群x

其中，v

所有变异后的个体构成变异后的种群。

3、交叉

将种群x

其中，u

4、选择

分别比较种群x

其中，x

其中，

5、补充选择

以概率P

6、构建训练样本

以概率P

7、网络训练

以上一代网络参数作为网络的初始化参数，利用步骤6得到的训练样本对RBM网络进行训练，得到训练好的网络，保留训练好网络的超参数。

每一代神经网络的训练过程如图2所示。从图中可以看出，神经网络的训练采用迁移学习的方式，上一代的学习模型沿用到下一代中，这样在一定程度上能借鉴之前学习到的选择策略。

8、计算下一代种群

将种群x

9、迭代处理

令迭代次数g＝g+1，如果g＜g

10、计算最优模糊矩阵

本发明在每个迭代周期内，使用DE更新聚类中心向量，然后更新模糊关系矩阵，交替优化直至得到最优结果，具体包括：

(a)更新聚类中心向量

将最终种群的个体代入公式(10)的差分进化优化函数，以使函数值最小的个体

(b)更新模糊关系矩阵

将

其中，u

其中，N

11、计算变化检测结果

以矩阵U

为验证本发明方法的有效性，在Intel(R)Core(TM)i5-3210M CPU 2.5GHzWindows 10系统下，在Python3.5运行平台上进行仿真实验。实验数据为渥太华数据集，此数据集是加拿大国防研究与发展中心用RADARSAT SAR传感器拍摄的渥太华地区的影像数据，实验截取了部分区域。此数据集包含两张拍摄同一地区的影像，一张拍摄于1997年的7月，另一张拍摄于1997年的8月，在此期间该地区经历过洪灾。真实变化检测结果图是用两幅原始影像，基于先验信息和摄像机判读技术得到的真实变化检测图(人工标注)，用于评估算法的检测结果。

实验选择评估算法性能的量化指标为正确分类率(Percentage correctclassification,PCC)和Kappa系数，PCC说明变化检测的整体准确率，Kappa用于衡量分类精度系数，数值越大说明分类精度越高。

实验分别采用本发明方法和现有的FCM、FLICM算法进行处理。初始参数设置如表1所示。

表1

图3给出了三种方法检测结果图像，图中，从左到右依次是FCM算法结果图、FLICM算法结果图、本发明方法结果图。三种算法的PCC和Kappa系数计算结果如表2所示。从表中可以发现，本发明方法的PCC和Kappa系数均高于FCM和FLICM方法的结果，具有最优的检测效果。

表2

为了对比所提出算法与经典DE算法在收敛速度上的对比，在实验过程中，除了设定的参数一致外，两种算法的初始化种群也保持一致。对于每一个迭代周期内，种群中所有个体在代价函数中的损失函数值的均值作为本次迭代优化的结果。本发明与对比算法的优化结果如图4所示。其中，横轴表示迭代步数，纵轴是损失函数值的对数值，带圆圈(○)的曲线是本发明方法的结果，带星号(*)的曲线是经典DE算法的结果。可以看出，本发明在每一个相同的迭代周期内均能达到更小的损失函数值，说明本发明方法能在有限的迭代步骤内实现更优的结果。更少的迭代步骤，意味着使用更小的计算资源就能得到不错的结果，在一定程度上能够体现神经网络自主学习选择策略的优越性。