[发明专利]一种基于优化神经网络模型的遥感图像变化检测方法

摘要

本发明涉及一种基于优化神经网络模型的遥感图像变化检测方法，深度神经网络通常包括三个模型，分别为：堆叠自编码器、深度置信网络、卷积神经网络。本发明使用卷积神经网络(Convolutional Neural Network，CNN)的训练方式，先构造一个改进的CNN模型，称为ACNN；随机挑选很少量的样本点，并人为标定这些样本点的变化检测结果，将这些样本点和标定检测结果作为训练ACNN的训练数据。再使用训练好的ACNN对未分类样本进行变化检测获得最终的变化检测结果。本发明使用有监督的学习方法处理遥感图像变化检测问题，提高了检测精度。

主权项

1.一种基于优化神经网络模型的遥感图像变化检测方法，其特征在于步骤如下：步骤1：对不同时刻同一地点获取的两幅待检测遥感图像进行配准、辐射校正及几何校正处理；对处理后的数据进行特征提取，提取方法是：提取两幅图像中以单个像素点作为中心的9*9的图像块组成一个9*9*2的图像块作为原始特征，提取所有原始特征中1‑5％作为训练样本，以对应像素点的实际变化值作为类别标签；步骤2：将卷积神经网络模型CNN去掉全部下采样层，而且其中最后一个卷积层不使用激励函数，直接添加逻辑回归分类器，其它卷积层激励函数使用校正线性单元ReLu，构造一种改进的CNN模型；步骤3、对改进的CNN模型进行训练：对每个改进的CNN中的卷积核的参数进行调整，训练时以平方和函数作为代价函数，使用BP算法修改卷积核和偏置网络参数；所有训练样本依次使用一遍之后，称为完成了一轮训练；每一轮训练完毕后，随机选取适量的非训练样本作为验证集；每一轮训练需计算验证集结果的误差；当验证集结果的误差由逐渐变小的趋势变为逐渐变大的趋势时，代表模型的泛化能力减弱，训练终止；步骤4：将测试样本集对应的原始特征输入训练好的改进的CNN模型中对测试样本集进行分类检测，得到最终变化检测结果图。