[发明专利]一种高光谱遥感影像变化检测方法

说明书

本发明涉及一种高光谱遥感影像变化检测方法，具体包括以下步骤：步骤1、输入第一时相高光谱影像以及第二时相高光谱影像，分别剔除高光谱影像异常波段；步骤2、利用变化向量分析法生成高置信度样本，作为神经网络训练样本；步骤3、对高光谱图像进行PCA降维；步骤4、对于孪生卷积神经网络进行训练，完成训练后的孪生卷积神经网络用于对输入的不同时相高光谱影像进行降维、特征提取；步骤5、输入两时相的特征张量，输出多尺度的时间‑空间‑光谱变化特征表征；步骤6、结合注意力机制对输出多尺度的时间‑空间‑光谱变化特征进行特征融合，得到最终的检测结果。

技术领域

本发明涉及一种高光谱遥感影像变化检测方法，特别是涉及一种引入时间依赖性和空间 -光谱特征的高光谱遥感影像变化检测方法。

背景技术

随着遥感技术的飞速发展，越来越多的遥感传感器被用于对地观测，对于地表的动态观测产生了大量可用的遥感影像，可用于监测土地覆盖和土地利用变化。目前，遥感变化检测已在城市扩展监测、灾害监测等方面得到了广泛的应用。

高光谱影像可以提供丰富的光谱和空间信息，多时相高光谱遥感影像对于揭示地表物体的细微变化具有重要意义。但目前针对高光谱遥感影像的变化检测方法大多来源于经典的单波段或多光谱变化检测方法，在高维特征的高光谱遥感影像中性能有限。近年来，深度神经网络在各种计算机视觉和遥感应用中取得了巨大的成功，对于变化检测同样具有较好的应用前景。目前基于深度学习的多光谱/高光谱变化检测主要采用CNN、RNN两种神经网络结构，或者将CNN与RNN结合提取深层特征进行变化检测。

大多数变化检测方法是针对多光谱和合成孔径雷达图像提出的。在高光谱图像适应性不足，高光谱图像的空间分辨率通常较低，但光谱分辨率非常高，尽管具有丰富光谱信息的高光谱图像被认为能够识别细微的变化。传统的单波段或多光谱图像的变化检测方法在高光谱图像变化检测任务中很少有应用，主要是由于其高维特征。相邻波段之间的信息冗余和图像的高维度给高光谱图像的变化检测算法开发带来了额外的困难。对于高光谱图像的分类，随着参与的波段数量的增加，分类精度通常会增加，然后减少，这就是所谓的休斯效应，这一效应在高光谱图像的变化检测中也是不可忽视的。

发明内容

为了解决上述技术问题，本发明考虑到两时相的高光谱遥感影像存在时间关联，并且每个像元对应着较长的光谱序列，因此对于高光谱影像变化检测，长短时记忆(LongShort-Term Memory，LSTM)模型比其他深度学习模型具有更大的优势，而在LSTM基础上改进得到的ConvLSTM不仅可以像LSTM一样建立时序关系，而且可以像CNN一样刻画局部空间特征。本发明以ConvLSTM为基础提出了一种高光谱遥感影像变化检测方法。

LSTM是一种循环神经网络，适合于处理时间序列，对于时间序列数据具有强大建模能力，可自适应学习多时相影像之间的时间依赖性。但LSTM缺乏CNN空间特征提取的能力，忽略了影像中像素的邻域空间信息。而本发明将LSTM和CNN结合的ConvLSTM模型结合了二者的优势，可以学习两时相高光谱影像的联合光谱-空间-时间特征表示。

本发明的技术方案为：一种高光谱遥感影像变化检测方法，具体包括以下步骤：

步骤1、输入第一时相高光谱影像以及第二时相高光谱影像，分别剔除高光谱影像异常波段；

步骤2、利用变化向量分析法生成高置信度样本，作为神经网络训练样本；

步骤3、对高光谱图像进行PCA降维；

步骤4、对于孪生卷积神经网络进行训练，完成训练后的孪生卷积神经网络用于对输入的不同时相高光谱影像进行降维、特征提取；

步骤5、输入两时相的特征张量，输出多尺度的时间-空间-光谱变化特征表征；

步骤6、结合注意力机制对输出多尺度的时间-空间-光谱变化特征进行特征融合，得到最终的检测结果。