买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东锋士信息技术有限公司

摘要：本发明涉及一种基于高光谱空间及光谱信息的双分支变化检测方法，属于图像处理技术领域。采用并行式双分支网络处理双时相高光谱图像样本，一个分支是由深度可分离卷积和自注意力机制组成的空间注意力模块，获得双时相的空间特征，另一个分支是利用Transformer结构处理高光谱图像的空间‑光谱信息融合模块，获得双时相的空间‑光谱融合特征；分别计算网络中两个分支的对比损失，加权和计算总损失来收敛网络，将待测样本对用收敛后的网络进行预测得到变化检测结果。本发明充分利用不同模型范式在空间和光谱序列特征提取方面的能力，大大提高了变化检测的准确性和鲁棒性，为高光谱图像变化检测领域的研究和应用提供了一种新的有效途径。

主权项：1.一种基于高光谱空间及光谱信息的双分支变化检测方法，其特征是，包括步骤如下：S1.获取同一区域在两个时间点的高光谱图像，以像素点为样本，在每一样本中心构建一分块样本，得到双时相高光谱图像相同像素点对应的分块样本对；S2.将分块样本对输入相同的并行式双分支网络获得双时相的空间特征及空间-光谱融合特征；并行式双分支网络的一个分支是由深度可分离卷积和自注意力机制组成的空间注意力模块，分块样本图像输入后通过深度可分离卷积得到的空间特征再进行自注意力计算进一步增强空间特征的判别性，从而获得包含更多信息的空间特征；另一个分支是利用Transformer结构处理高光谱图像的空间-光谱信息融合模块，分块样本图像经特征展开和线性映射后先在空间Transformer编码器提取空间信息，然后特征重排，再在光谱Transformer编码器沿着光谱通道提取分块样本图像的光谱信息，从而获得空间-光谱融合特征；深度可分离卷积的计算过程包括深度卷积和通道卷积，假设输入图像为X，深度可分离卷积的参数为K，输出特征图为Yspatial，公式化如下：对于每个输入通道Xc，分别与对应的深度卷积核Kc进行卷积操作，得到中间特征图Mc，则中间特征图Mc的计算可以表示为： ；将所有深度卷积的中间特征图Mc进行通道卷积操作，将通道数Cin降到Cout，得到输出特征图Yspatial，即： ，其中，Kpointwise是通道卷积的卷积核，用于将中间特征图的通道数从Cin降到Cout；S3.对比获得的双时相的特征变化，分别计算网络中两个分支的对比损失，加权和计算总损失来收敛网络，将待测样本对用收敛后的网络进行预测得到变化检测结果；对比损失计算公式如下： ，其中，标签yi,j表示原图中位于第i行第j列的像素对应的变化标签，即样本对对应的标签，对于未变化的样本对取值为0，对于发生变化的样本对取值为1，损失函数和分别用来衡量未变化和变化的像素对的损失，Di,j表示样本对的网络输出特征向量之间的欧氏距离，其计算方式如下： ，其中，，分别表示分块样本图像的网络输出结果，损失函数和计算方式如下： ， ，其中，为预测概率，代表当前样本对对应像素产生变化的概率，为sigmoid函数；总损失计算如下： ，其中，Lossspa与Lossspe均为对比损失，分别计算经由空间注意力模块以及空间-光谱信息融合模块所提取特征得到的变化检测结果与真实标签的差距，加权因子λ对网络进行动态调整，在训练过程中通过网络进行动态学习，使网络更易于收敛，在测试阶段加权因子λ取网络收敛时的对应数值；当网络收敛后，将样本对的最终预测值p与预先设定的阈值θ进行比较，值高于阈值的像素被分类为变化像素，其他像素被标记为未变化像素，得到当前样本对Xi,j的变化检测预测结果，该预测过程公式如下所示： ，其中最终预测值p是分别根据空间注意力模块的预测值以及空间-光谱信息融合模块的预测值通过指数平滑加权得到，指数平滑可确保最终预测值p值域在[0,1]，加权因子与损失函数中的加权因子λ对应，该过程公式如下所示： 。

全文数据：

权利要求：

百度查询： 山东锋士信息技术有限公司 一种基于高光谱空间及光谱信息的双分支变化检测方法