基于深度信念网络的高光谱遥感影像变化检测方法研究

Aiming at the performance bottleneck of existing change detection methods of hyperspectral remote sensing images, the change detection methods for hyperspectral images based on the deep learning are proposed as follows: first, a tensor-based integration model for time-space-spectrum features of multitemporal hyperspectral images (TFS-Cube) is proposed, so as to make full use of the underlying features of hyperspectral remote sensing images and optimize their organization mode. Additionally, because of the complexity of TFS-Cube tensor data, the method of Tucker tensors data decomposition and dimensions reduction is also proposed based on improved MBI (IPT-MBI). Secondly, a tensor-based restricted Boltzmann machine (Tensor-RBM) is designed to realize acquisition, reduction and unsupervised learning of TFS-Cube data by multilinear algebra, and a deep belief network which consists of multi-layer Tensor-RBM (TBR-DBN) is designed to realize the training of a large number of non-labeled changed /non-changed samples; finally, the support tensor machine (STM) is used to replace the traditional BP network, and it trains a small amount of labeled samples for supervised learning to improve the efficiency of the TBR-DBN global parameters optimization. TBR-DBN can effectively improve the accuracy, efficiency and automation level of hyperspectral image change detection.

针对现有高光谱遥感影像变化检测方法性能方面的瓶颈，提出了基于深度学习的高光谱遥感影像变化检测解决方案：首先，提出一种基于张量的多时相高光谱影像时-空-谱特征一体化模型（TFS-Cube），以充分利用高光谱遥感影像的底层特征并优化其组织方式，并针对 TFS-Cube张量数据的复杂性，提出一种基于改进型MBI的Tucker张量数据分解与降维方法(IPT-MBI);其次，设计一种基于张量的受限波尔兹曼机（Tensor-RBM），通过多线性运算实现TFS-Cube数据的采集、降维与非监督学习，并构建包含多层Tensor-RBM的深度信念神经网络（TBR-DBN），以实现对大量非标记变化/非变化样本的逐层深入训练；最后，采用支持张量机（STM）替代传统BP网络，并结合少量标记样本进行监督学习，提高TBR-DBN全局参数优化的效率。TBR-DBN可有效提升高光谱影像变化检测的精度、效率和自动化水平。

本项目针对现有多时相高光谱遥感（HSRS）影像变化检测方法性能提升方面的瓶颈，提出了一种基于深度信念网络（DBN）的HSRS影像变化检测解决方案，目前已基本完成预定研究任务。主要成果如下：（1）提出了一种基于张量的多时相HSRS影像时-空-谱特征变化一体化模型（TFS-Cube），通过3阶张量组合不同时相相关像元的小波纹理特征变化、光谱特征变化和时空自相关系数，充分利用HSRS影像的底层特征变化信息并优化其组织方式，以保持不同底层特征之间的约束完整性；（2）设计并实现了一种基于3阶张量的受限波尔兹曼机（Tensor3-RBM），通过多线性运算实现TFS-Cube数据的输入、输出和非监督学习，并通过多层Tensor3-RBM实现对大量非标记样本的逐层深入训练；（3）构建了包含多层Tensor3-RBM和STM的深度信念网络（TRS-DBN），采用支持张量机（STM）替代DBN顶层传统的BP神经网络，并结合少量标记样本进行监督学习和TRS-DBN全局参数优化，提高了TRS-DBN变化检测的精度；（4）提出了一种基于模糊C均值聚类（FCM）的标记样本自动提取方法，以提高TRS-DBN学习过程中少量标记样本选取的自动化水平，该方法目前在基于深度学习和多源遥感数据的城区不透水面提取和土地利用分类中取得了良好效果。本项目的研究成果已基本达到预期目标，但也存在不足之处，特别是对基于改进型MBI的Tucker张量数据分解与降维方法（IPT-MBI）的研究尚未完成，TRS-DBN变化检测的自动化程度和速度还有待提升，混合像元问题有待进一步解决。本项目基本按原计划执行，部分资助培养博士生2名、硕士生4名、青年教师2名。研究团队在国内外学术期刊上发表论文10篇，其中被SCI收录5篇、EI收录2篇、CSCD核心版收录1篇，1项发明专利和1项软件著作权正在申请中。