[发明专利]基于生成对抗网络的多光谱图像变化检测方法

说明书

本发明公开一种基于生成对抗网络的多光谱图像变化检测方法，解决现有方法检测精度低和对噪声敏感的问题。实现步骤为：1)设定判别分类网络D和生成网络G的结构及目标函数，以及生成网络G生成的图像与真实图像的距离系数λ；2)获得两个不同时相的图像的差异图I_D；3)对I_D进行划分，获得初始变化检测结果，并根据该结果，将两个不同时相划分为标记和未标记数据，组成训练集合；4)用判别分类网络D和生成网络G组成分类网络W，并运用训练集合对其训练，获得训练后的判别分类网络D'；5)将两个不同时相图像输入到该判别分类网络D'中，获得最终的变化检测结果。本发明具有检测精度高，鲁棒性强的优点，可应用于图像理解或模式识别。

技术领域

本发明属于图像处理技术领域，特别涉及一种图多光谱图像变化检测方法，可用于模式识别或目标检测。

背景技术

图像变化检测是一项可以识别出同一地区不同时间的图像之间的变化区域的技术。随着遥感技术的快速发展，具有高分辨率的多光谱图像变得容易获得。高分辨率多光谱图像的变化检测被给予更多的关注。

目前，被广泛应用于灾害评估，视频检测等领域的多光谱图像变化检测方法是基于图像差异图的方法，其可以分为三个步骤：1.对不同时相的多光谱图像进行预处理，主要包括去除噪声和配准；2.产生不同时间对应的多光谱图像的差异图，常用的方法包括变化矢量分析方法CVA，主成分分析方法PCA，迭代加权多元变化检测IR-MAD方法，基于目标的变化检测方法OBCD等；3.对差异图进行处理获得二值变化检测图，常用的方法包括最大类间方差法Otsu，KI等阈值方法和FLICM，RFLICM等聚类方法。这些方法容易受到噪声的影响，鲁棒性低。

为了解决上述这些问题，研究人员探索了基于深度神经网络的图像变化检测方法。首先进行初始变化检测，然后利用初始变化检测结果训练神经网络，利用训练好的神经网络进行变化检测。但是这些方法的处理对象大多数为SAR图像，而高分辨率多光谱图像具有更多的光谱通道，将这种方法应用于高分辨率多光谱图像时，则存在检测精度低，检测结果含有许多噪声的问题。

发明内容

本发明的目的在于针对上述已有的多光谱图像变化检测方法的不足，提出一种基于生成对抗网络的高分辨率多光谱图像变化检测方法，以减小检测结果中的噪声，提高检测精度

为实现上述目的，本发明的技术方案包括如下：

(1)分别设定判别分类网络D，生成网络G的结构及它们对应的目标函数f_D和f_G，并设定生成网络G生成的图像与真实图像之间距离L₁的系数λ；

(2)运用变化矢量分析方法CVA获得两幅不同时相的图像I₁和I₂的差异图；

(3)运用最大类间方差法Otsu将差异图划分为变化和未变化两类，获得初始变化检测结果；

(4)根据初始的变化检测结果，将不同时相的图像I₁和I₂均划分为标记数据和未标记数据，组成训练集合；

(5)使用判别分类网络D和生成网络G组成分类网络W，运用训练集合对分类网络W进行训练，直到判别分类网络D的目标函数f_D收敛，获得训练完成后的判别分类网络D'；

(6)将两幅不同时相的图像I₁和I₂输入到训练完成后的判别分类网络D'中，以对这两幅图像进行变化和未变化的类别划分，获得最终的变化检测结果图。

本发明与现有的技术相比具有以下优点：

1、本发明不需要人为干预和先验信息，是一种完全无监督的方法，能够自动高效的进行图像变化检测；