1.一种无监督非训练高光谱图像变化检测方法,其特征在于,所述无监督非训练高光谱图像变化检测方法包括多扩张特征提取(Multi-dilation Feature Extraction,MDFE)模块,可变形特征提取(Deformable Feature Extraction,DFE)模块和深度特征比较(DeepFeature Comparison,DFC)模块;
所述无监督非训练高光谱图像变化检测方法的步骤如下:
步骤一:首先使用随机初始化方法赋予整个网络各层参数,然后权重共享的双分支网络分别提取变化前和变化后时期高光谱图像的深度特征;
步骤二:双分支的深度学习网络包含一个或多个多扩张特征提取和可变形特征提取的组合模块,获取不规则采样位置的多尺度深度空间-光谱特征;
步骤三:最后,由步骤二所获得的特征被输入深度特征比较模块获取变化前和变化后时期高光谱图像间的鉴别性差异特征,通过阈值分割方法将代表地物的像素的变化情况分类;
所述多扩张特征提取模块利用扩张卷积层的两个分支提取具有不同感受野的局部特征,扩张卷积是在相对较大的感受野中提取局部特征的强大工具,与常规卷积相比,其可以在参数仅线性增长的情况下指数地增加感受野,扩张卷积层两个分支的输出沿通道维度连接在一起输入到下一个模块,形成多扩张特征提取;
所述可变形特征提取模块能够从非固定网格采样区域中提取局部特征,基于使用额外偏移量增加样本位置,利用常规卷积生成位置偏移,然后通过计算非固定网格采样区域的卷积特征,充分利用有助于准确检测变化的地表结构信息;
所述深度特征比较模块,通过分析比较从变化前时期和变化后时期高光谱图像中,利用多扩张特征提取模块和可变形特征提取模块提取的深度特征来识别变化,其采用基于空间分割和最大方差的特征选择方案,变化前时期图像和变化后时期图像深度特征间的差分特征中,根据标准差由高到底排名选择部分鉴别性特征通道,避免了高维特征冗余,然后通过欧几里得范数量化所选特征通道间的差异性,使用阈值分割方法分析像素的变化情况。
2.根据权利要求1所述的一种无监督非训练高光谱图像变化检测方法,其特征在于:所述步骤一中,在高光谱图像输入MDFE模块之前,首先经过卷积运算投影到高维度的特征空间,此时更多的非训练参数被随机初始化用于卷积层提取特征。
3.根据权利要求1所述的一种无监督非训练高光谱图像变化检测方法,其特征在于:改善的特征选择方案通过强调重要特征的贡献提高模型精度以及在不同场景上的适应性,考虑到选择的鉴别性特征对最终变化检测结果的贡献不同,假设差异性较大的特征通道相比差异性较小的特征通道能够提供更可靠的变化信息,在欧几里得范数中采用加权策略来进一步量化变化前和变化后时期图像深度特征的差异性。