CN115564721B 基于局部信息增强的高光谱图像变化检测方法 （西安电子科技大学）

基于局部信息增强的高光谱图像变化检测本发明公开了一种基于局部信息增强的高光谱图像变化检测方法；涉及图像处理技术领本集；设计了局部信息增强Graph_transformer块，通过卷积运算获取局部信息注入到Graph_多个LIEG块的双分支局部信息增强变化检测网变化检测结果图；本发明实现了Transformer在的全局和局部特征，有利于提高变化检测的精2S104、设计可有效同时提取局部和全局特征信息的简单线性迭代聚类SLIC方法通过K_means算法迭代的逐渐增长局部簇，直到迭代达到点G,eR""和GzeR"",N为图节点数量；原始图与图节点的映射关系可以被表示为M其中AeR"是分割结果与原始图像之间的关联矩阵，Concat(·)是跨通道的特征连3其中Q表示查询矩阵(Query)，K表示被查询矩阵用于添加位置编码来增加位置信息；(2)将卷积后得到的特征矩阵和初始的输入特征矩阵沿通道维度级联，送入一个全连(l+1)为第l个LIEG块的输出特征矩阵和特征图。4将包含足够特征的两个分支的输出做差值以获得差异特征然后使用关联矩阵将其转述步骤S107中对搭建好的D_LIEG网络模型进行有监督的训练，得到适合该模型的网络参(3)利用随机梯度下降法对网络参数进行训练，直至网络收敛，并保存最优的网络参5[0005]具有优异学习能力的Transformer可以很好的关注到图像的全局信息，并且在许大的计算量是Transformer在处理高维HSI数[0008](1)本发明设计了Graph_transformer，可以接受图节点序列对全局特征进行建[0009](2)通过卷积来增强Graph_transformer的局部信息，能够充分提取图像的6的特征向量值，建立原始图像图节点G,eR""和GzeR"",N为图节点数量。原始图与图[0027]作为本发明的进一步技术方案，设计Graph_transformer对图像的全局上下文进7大小BeR"",对特征矩阵做了归一化处理。用于统一输入特征矩阵的维度；[0038](3)多层感知机由两个线性变换层和一个Gelu激活函数组成，以进一步变换所有[0044](1)由于每个图节点的特征向量是该节点所包含像素的谱向量的平均值，这导致[0045](2)将卷积后得到的特征矩阵和初始输入特征矩阵沿通道维度级联，送入一个全[0047]其中L(l)和G(l)分别表示第l个Graph_transformer的输入特征图和特征矩阵。G(0)8[0063]作为本发明的进一步技术方案，对搭建好的D_LIEG网络[0064](1)将有标签的训练样本输入到需要训练的网络模型中，输出对训练样本的标签[0065](2)利用如下交叉熵损失函数，计算预测标签和参考图像的真实标签之间的损失9[0079]如图1所示，本发明提供的基于局部信息增强的高光谱图像变化检测方法包括以[0080]S101输入两幅在同一区域不同时间获取的双时相高光谱图像，对图像进行预处[0086]S107对搭建好的D_LIEG网络模型进行有监督的训练，得到适合该模型的网络参[0089](1)输入两幅在同一区域不同时间获取的双时相高光谱图像，对图像进行最大最[0093]为了构建图节点，引入了一种基于区域分割的方法，称为简单线性迭代聚类(SLIC)，该方法通过K_means算法迭代的逐渐增长局部簇，直到迭代达到最优完成分割操对应图节点的特征向量值，建立原始图像图节点G,eR""和N为图节点数量。大小对特征矩阵做了归一化处理。用于统一输入特征矩阵的维度；算获取局部信息并注入Graph_tran[0115]I"=fi[0116]其中L(l)和G(l)分别表示第l个Graph_transformer的输入特征图和特征矩阵。G(0)[0122](5a)D_LIEG采用双分支结构来获取多时相HSI的足够特征来区分不同的对象，每个分支由多层LIEG块组成以提取互补的局部和全局特征。多层的LIEG块传播过程描述如[0129]将包含足够特征的两个分支的输出做差值以获得差异特征然后使用关联矩阵将[0142]本发明仿真实验所使用的高光谱影像采用SantaBarbara影像，是使用机载可见[0146]现有技术变化向量分析CVA变化检测方法是指，Malila等人在文献“Change_vectoranalysisinmultitemporalspace:atooltodetectandcategorizeland_coverchangeprocessesusinghightemporal_resolutionsatellitedata[J]usechangedetectionandanalysisusingmultitemporalandmultisensory[0148]现有技术迭代加权多元变化检测法IR_MAD是指，Nielsen等人在文献“TheRegularizedIterativelyReweightedMADMethodforChangeDetectioninMulti[0149]现有技术支持向量机SVM分类方法是指，Hearst等人在“Supportvector[0150]现有技术递归卷积神经网络ReCNN是指Mou,BruzzoneSpectral_Spatial_TemporalFeaturesviaaRecurrentConvolutionalNeuralNetworkforChangeDetectioninMultispectralImagery”中提出的高光谱图像分类[0153]由图4的(c)和(d)可以看出，PCA和IR_MAD通过减少频谱中的