小木虫 高光谱遥感图像处理_高光谱图像变化检测

来源：IEEE TGRS 2018

原文：https://ieeexplore.ieee.org/document/8418840

论文题目：GETNET: A General End-to-End 2-D CNN Framework for Hyperspectral Image Change Detection

Introduction

全球变化的全面认识能够为地球演化提供及时、准确信息。变化检测是识别多时相遥感影像的差异性分析的主要方法，在土地覆盖制图、自然灾害监测、资源勘查等方面有着重要的应用。完整的变化检测处理过程主要分为三个步骤：1)图像预处理，对多时相图像进行空间和辐射处理，进行几何校正、辐射校正和降噪；2)差分图像生成，其中差分是通过对多时间图像的变化区域和不变区域进行对比获得的图像；3)使用一种分类模型对差分图像进一步分类。本文中。作者主要是研究高光谱图像的变化检测。

高光谱图像具有以下三个问题：(1)像素混合问题(2)图像高维问题(3)当前可用的高光谱变化检测数据集比较少。针对上述三个问题，作者提出了以下解决方案：

1)提出了一种简单有效的混合亲和矩阵(Mixed-affinity matrix)，以更好地挖掘空间像素上两个对应谱向量之间的变化模式。与以前的方法不同，混合亲和矩阵将两个一维像素矢量(光谱信息)转换为二维矩阵，用于变化检测任务，提供了更丰富的梯度信息。此外，混合亲和矩阵可以有效地同时处理多源数据，有利于GETNET更好地学习光谱之间的代表性特征。

2)为了提高HSI-CD算法的泛化能力，开发了一种基于二维CNN的端到端框架(GETNET)。GETNET是第一个将HSI和丰度图融合在一起处理不同复杂因素引起的变化的网络模型。该方法在所有四个数据集上都优于其他方法。此外，由于正确地使用了非混合信息，GETNET在某些特殊数据集上也会有更加出色表现。

3)设计了一个新的HSI-CD数据集”River“，用于不同方法的客观比较，而且该数据集的变化信息相对复杂。

Method图1 整体框架图

本文的整体框架图如图1，两幅多时相高光谱图像继进行端元提取和线性/非线性解混，获得像素水平和亚像素水平的特征图，最后使用GETNET获得最终的变化结果图。上述亚像素水平的信息能够提高泛化能力，这里主要采用谱分解的方法。一个完整的光谱解混过程包括端元提取和丰度估计。本文采用自动目标生成过程(ATGP)来寻找潜在的目标端元。丰度估计的混合模型可以分为两类：线性模型和非线性模型。两者都有优点，适用于不同的情况。在HSI变化检测中，很少有人注意它们的结合。为了充分利用这两个优点，作者充分结合线性混合模型和非线性混合模型。

上述一组公式表示线性混合模型和非线性混合模型：

和

分别表示线性丰度分数(linear abundance fraction)和非线性丰度分数。

表示传感器噪声和模型误差。

表示端元矩阵.

是模拟高光谱图像非线性的双线性参数。

是一个点乘操作。最后通过公式(8)获得每个像素的混合亲和矩阵：图2 每个像素的混合亲和矩阵

如图2所示，每个像素的混合亲和矩阵由ABCDE五个模块组成。C为零矩阵，在计算中可以忽略。

Part A：图像1的某个光谱信息减去图像2中对对应像素的其他光谱信息

。 Part B：图像1的某个端元的线性丰度图减去图像2对应的线性丰度图

。Part E表示非线性丰度图作差，Part D表示线性丰度图和非线性丰度图作差。由此获得的混合亲和矩阵具有以下优点：

1)混合亲和矩阵是将预处理的高光谱数据与线性和非线性丰度图相结合，也是处理多源信息融合的一种有效方法。

2)将两个一维像素向量之间的差异映射到二维矩阵中，从而提供更丰富的跨通道梯度信息。通过挖掘b个谱带和

的丰度图之间的差异，最大限度地提高了多源信息的利用率。

3)二维CNN强大的学习能力可以与混合亲和力矩阵无缝结合。图3 GETNET的网络结构图

作者主要使用Locally sharing weights convolution(LS)用于局部特征提取，具体LS的实现过程可以参考文章“Learning hierarchical representations for face verification with convolutional deep belief networks (CVPR 2012)”。

Experiment图4 本文使用的公开数据集图5 不同方法在数据集1上的可视结果对比图6 不同方法在四个数据集上的结果对比

Conclusion

总的来说，本文中作者的主要工作集中在混合亲和矩阵的构建上，通过像素水平和亚像素水平的信息表示，不仅能够提高特征表达能力，而且在异质数据上也会有较好的表现和较高泛化能力。