融入先验知识的无监督学习森林火灾变化检测方法及装置

1.本发明涉及深度学习与遥感图像处理技术领域，主要解决基于遥感影像的森林火灾变化检测问题，具体涉及一种融入先验知识的无监督学习森林火灾变化检测方法及装置。


背景技术：

2.森林火灾是最为常见的灾害之一，不仅严重影响森林生态系统的稳定，同时也带来也带来环境污染及相关的次生地质灾害，威胁人类生命财产安全。因此有关火灾区域的位置、燃烧面积等信息的获取对于经济和生态损失的评估与恢复至关重要，而由于复杂地形形态及恶劣天气等条件的限制，传统的地面勘测通常难度较大且成本高昂，而卫星遥感能够以高频率覆盖大范围区域而且可提供不可见的光谱信息，在火灾的监测及烧伤区域制图中发挥了重要作用。但是由于火灾区域的特征往往较为复杂，同时不同的土地覆盖类别之间存在光谱相似性，尽管国内外学者在此方面进行了大量研究，但目前并未出现一种普适性强的通用方法，因此森林火灾遥感影像变化检测一直是国际遥感领域研究的热点和难点。
3.在传统的森林火灾变化检测算法中，目前应用最广泛的是基于光谱指数的方法与基于图像分类的方法。基于光谱指数的方法根据不同地物类型在不同波长范围内光谱信息的差异将波段进行数学组合进而实现火灾区域与其它地物类型的分类，主要有两种可用于森林火灾变化检测的指数：植被指数和火灾指数。因其实现简单、准确性高，该方法在火灾区域检测中得到广泛运用，但是由于它通常基于阈值分割或聚类的方法进行二值化进而实现火灾区域的检测，而背景信息变化往往较为复杂，这种方法往往会导致不必要的误检或漏检。基于图像分类的方法通过使用一组属性最小化类内差异与最大化类间差异来分离火灾区域与区域，如支持向量机(svm)、随机森林(rf)、主成分分析(pca)等。但是这些算法的关键步骤是属性特征的选取，需要消耗大量时间。
4.近年来，深度学习技术的快速发展推动了森林火灾变化检测的进步，目前，主要是是基于卷积神经网络(cnn)的方法，更多特征可以被自动提取。但是由于森林火灾的诱因复杂及风向的不确定性，火灾区域的边界特征往往较为复杂。同时由于火灾区域与水体、烟雾、裸地等地物间的光谱相似性，背景信息影响较大。然而，现有方法很少考虑上述问题。此外，公开可用的森林火灾数据集较少，而有监督的深度学习方法需要大量数据集进行训练。


技术实现要素：

5.本发明要解决的主要技术问题在于，提供一种融入先验知识的无监督学习森林火灾变化检测方法及装置，实现在没有人工标记训练样本的情况下保证森林火灾变化检测的精度。
6.为了解决上述技术问题，本发明采取的技术方案如下：
7.根据本发明的一个方面，提供了一种融入先验知识的无监督学习森林火灾变化检
测方法，包括以下步骤：
8.s1：获取森林火灾前后火灾区的双时相遥感影像，并对所述双时相遥感影像进行预处理；
9.s2：对预处理后的所述双时相遥感影像分别计算nbrswir指数以融入先验知识，得到双时相遥感影像的nbrswir指数图x、y；
10.s3：对所述nbrswir指数图x、y进行不确定性分析进而获取训练样本x
train
、y
train
；
11.s4：通过所述训练样本对两个对称的深度网络分支进行训练，训练完成后，获得训练好的深度网络分支；
12.s5：使用所述训练好的深度网络分支分别提取所述nbrswir指数图x、y的初始特征x
φ
、y
φ
；
13.s6：对所述初始特征x
φ
、y
φ
进行慢特征分析，获得所述初始特征x
φ
、y
φ
的特征差值；
14.s7：根据所述特征差值计算各像素点的卡方距离获得变化强度图；
15.s8：对所述变化强度图进行k-means阈值分割获得最终的森林火灾区。
16.进一步地，步骤s1中，所述预处理的步骤包括：
17.s11：由欧空局哥白尼数据中心分别下载灾前、灾后森林火灾区的哨兵二号的l1c级多光谱数据；
18.s12：利用sen2cor工具对所述l1c级多光谱数据进行辐射定标与大气校正，进而获取l2a级产品；
19.s13：利用snap软件对所述l2a级产品进行超分辨率合成，将所有波段合成为空间分辨率为10m的波段，进而获得分辨率为10m的灾前、灾后遥感影像；
20.s14：根据研究区范围分别剪裁所述分辨率为10m的灾前、灾后遥感影像，进而获得预处理后的双时相遥感影像。
21.进一步地，步骤s2中，对预处理后的双时相遥感影像的两个短波红外波段进行波段运算得到火灾前后时相的nbrswir指数图，具体计算公式为：
[0022][0023]
其中，nbrswir指数为一种新的火灾指数，swir1、swir2分别为预处理后的双时相遥感影像的第11和第12波段数据。
[0024]
进一步地，步骤s3具体包括：
[0025]
s31：对火灾前后的nbrswir指数图x、y作差，得到反映火灾区信息的nbrswir指数差值图，具体计算公式为：
[0026]dnbrswir
＝nbrswir
post-nbrswir
pre
[0027]
其中，nbrswir
post
为火灾后遥感影像的nbrswir指数图，nbrswir
pre
为火灾前遥感影像的nbrswir指数图，d
nbrswir
为火灾前后nbrswir指数差值图；
[0028]
s32：对所述nbrswir指数差值图进行模糊c均值聚类，实现阈值分割，将研究区划分为确定烧毁区域、不确定区域和确定未烧毁区域；
[0029]
s33：随机选取确定未烧毁区域中火灾前后nbrswir指数图中的像素作为训练样本x
train
、y
train
。
[0030]
更进一步地，步骤s32具体包括：
[0031]
s321：设置目标函数的精度e，模糊指数m，聚类数c和算法最大迭代次数t，目标函数j为：
[0032][0033]
目标函数的约束条件为：
[0034][0035][0036]
其中，c表示聚类数，n表示nbrswir指数差值图的像元总数，m表示模糊指数，u
ij
表示样本xj属于i类的隶属度，j表示第j个像元，x表示nbrswir指数差值图所代表的样本，i表示第i个聚类，vi表示i类的中心，d()表示距离的度量；
[0037]
s322：随机初始化隶属度矩阵u
ij
和聚类中心vi；
[0038]
s323：更新隶属度矩阵和聚类中心，具体为：
[0039][0040][0041]
其中，k表示第k个聚类，vk表示k类的中心；
[0042]
s324：若目标函数满足|j(t)-j(t+1)|＜e，则迭代结束，进入步骤s325，否则重复步骤s323；
[0043]
s325：根据所得到的隶属度矩阵，取样本隶属度最大值所对应类作为样本聚类的结果，聚类结束，进而将样本划分为确定烧毁区域、不确定区域、确定未烧毁区域。
[0044]
进一步地，步骤s4具体包括：
[0045]
s41：构建两个对称的深度网络分支，均为全连接层，包括输入层、隐藏层和输出层，每个隐藏层均有相同数量的节点；
[0046]
s42：初始化两个对称的深度网络分支的参数{θ1,θ2}；
[0047]
s43：分别计算火灾前后的训练样本x
train
、y
train
经过深度网络分支转换后的投影特征
[0048]
s44：计算损失函数，根据慢特征分析理论，不变的量具有最小的特征值，因此通过使所有特征值的总平方最小以抑制不变像素的方差，损失函数具体为：
[0049][0050]
式中：
[0051][0052][0053]
其中，其中，表示中心化后的n表示像素数，是一个元素均为1的矩阵，i表示单位矩阵，r表示正则化常数，(.)
t
表示矩阵的转置矩阵，(.)-1
为矩阵的逆矩阵，tr(.)为矩阵的迹；
[0054]
s45：计算梯度：和
[0055]
s46：使用梯度下降算法更新参数{θ1,θ2}；
[0056]
s47：重复步骤s43-s46直至达到最大迭代次数，得到训练好的深度网络分支。
[0057]
更进一步地，步骤s43具体包括：
[0058]
s431：对于火灾前的训练样本x
train
：
[0059]
第一个隐藏层的输出表示为：其中m表示波段数，n表示像素数；表示权重矩阵，表示偏差向量，h1为第一个隐藏层节点数；s(
·
)表示激活函数；
[0060]
随后各隐藏层l的输出表示为：其中
[0061]
最后该网络转换后的投影特征为：其中o表示输出层的节点数，为权重矩阵，h
l
为隐藏层节点数，为偏差向量；
[0062]
s432：对于火灾后的训练样本y
train
，经过深度网络分支转换后的投影特征的过程同步骤s431。
[0063]
进一步地，步骤s6具体包括：
[0064]
s61：获取火灾前、后初始特征x
φ
、y
φ
的均值和标准差
[0065]
s62：根据所述均值和标准差，标准化特征x
φ
、y
φ
，具体为：
[0066]
对于火灾前初始特征x
φ
，采用公式标准化深度网络转换后得到的初始特征，其中是x
φ
第i个像素标准化后的值；x
φi
是x
φ
第i个像素的值；是x
φ
各像素值的均值；是x
φ
各像素值的标准差；火灾后初始特征y
φ
的标准化过程相同；
[0067]
s63：基于标准化后的特征获取特征x
φ
、y
φ
差值的协方差矩阵a以及特征x
φ
和y
φ
的协方差矩阵的和矩阵b，具体为：
[0068]
矩阵a为：
[0069]
矩阵b为：
[0070]
其中，和分别是火灾前后遥感影像nbrswir指数图经深度网络转换后的初始特征第i个像素标准化后的值，p是总像素数；
[0071]
s64：求解矩阵a相对矩阵b的广义特征值及广义特征值对应的特征向量，按照广义特征值大小将对应的特征向量从小到大进行排序，获得有序的特征向量矩阵；
[0072]
s65：采用有序的特征向量矩阵，将标准化后的特征投影到特征空间，并获得x
φ
、y
φ
的特征差值，具体为：
[0073][0074]
其中，sfa表示特征差值，w表示有序的特征向量矩阵，表示火灾前后遥感影像nbrswir指数图经深度网络转换后的初始特征x
φ
、y
φ
各像素标准化后的值构成的矩阵。
[0075]
进一步地，步骤s7中，所述计算各像素点的卡方距离的步骤，包括：
[0076]
分别将各像素点特征差值的平方除以对应的广义特征值的开方，计算公式如下：
[0077][0078]
其中，chi为第i个像素的卡方距离，sfai为第i个像素的特征差值，λ为该波段的广义特征值。
[0079]
根据本发明的另一方面，本发明提供了一种融入先验知识的无监督学习森林火灾变化检测装置，包括以下模块：
[0080]
影像预处理模块，用于获取森林火灾前后火灾区的双时相遥感影像，并对所述双时相遥感影像进行预处理；
[0081]
nbrswir指数计算模块，用于对预处理后的所述双时相遥感影像分别计算nbrswir指数以融入先验知识，得到双时相遥感影像的nbrswir指数图x、y；
[0082]
训练样本获取模块，用于对所述nbrswir指数图x、y进行不确定性分析进而获取训练样本x
train
、y
train
；
[0083]
网络训练模块，用于通过所述训练样本对两个对称的深度网络分支进行训练，训练完成后，获得训练好的深度网络分支；
[0084]
初始特征提取模块，用于使用所述训练好的深度网络分支分别提取所述nbrswir指数图x、y的初始特征x
φ
、y
φ
；
[0085]
慢特征分析模块，用于对所述初始特征进行慢特征分析，获得所述初始特征的特征差值；
[0086]
卡方距离计算模块，用于根据所述特征差值计算各像素点的卡方距离获得变化强度图；
[0087]
阈值分割模块，用于对所述变化强度图进行k-means阈值分割获得最终的森林火灾区。
[0088]
本发明提供的技术方案具有以下有益效果：
[0089]
提出了一个森林火灾变化检测框架，通过nbrswir指数融入先验知识，提高了火灾区与复杂背景的光谱分离能力；同时结合了深度网络强大的特征提取能力，可以提取更为完整的火灾区域。提供了一个无监督的对称深度网络，具有强大的泛化能力；通过基于火灾指数图的不确定性分析生成更可靠的伪样本；通过结合深度网络和慢速特征分析(sfa)来抑制复杂背景信息的变化以提取火灾区。实现在没有人工标记训练样本的情况下保证森林火灾变化检测的精度。
附图说明
[0090]
下面将结合附图及实施例对本发明作进一步说明，附图中：
[0091]
图1为本发明具体实施方式中森林火灾变化检测方法的流程图；
[0092]
图2为本发明具体实施方式中森林火灾变化检测方法的整体框架图；
[0093]
图3为本发明具体实施方式中慢特征分析过程的流程图；
[0094]
图4为本发明具体实施方式中在西昌火灾数据集上进行火灾烧毁区域检测的对比结果图；
[0095]
图5是本发明具体实施方式中森林火灾变化检测装置的结构图。
具体实施方式
[0096]
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
[0097]
具体实施方式公开了一种融入先验知识的无监督学习森林火灾变化检测方法及装置。
[0098]
请参考图1-2，图1为本发明具体实施方式中森林火灾变化检测方法的流程图，图2为本发明具体实施方式中森林火灾变化检测方法的整体框架图；
[0099]
一种融入先验知识的无监督学习森林火灾变化检测方法，具体操作步骤如下：
[0100]
s1、获取森林火灾前后火灾区的双时相遥感影像，并对双时相遥感影像进行预处理。
[0101]
首先由欧空局哥白尼数据中心(https://scihub.copernicus.eu/dhus/#/home)根据火灾区的位置分别下载灾前、灾后森林火灾区的哨兵二号的l1c级多光谱数据；利用sen2cor工具对l1c级多光谱数据进行辐射定标与大气校正进而获取l2a级产品；然后利用snap软件对l2a级产品进行超分辨率合成，将所有波段合成为空间分辨率为10m的波段；最后根据研究区范围分别将灾前、灾后遥感影像剪裁成相同大小的影像，进而获得预处理后的双时相遥感影像。本实施例一共使用了三个森林火灾数据集，但在此实例中仅对西昌火灾数据集进行分析和讨论。2020年3月30日，西昌火灾发生于四川省凉山州西昌市，火灾前的影像成像时间为2020年3月25日，火灾后的影像成像时间为2020年4月4日。影像的地表覆盖特征主要是森林区，其空间分辨率为10m，共有12个波段，尺寸为953
×
1501。光谱影像中包含了火灾烧毁区域、植被、建筑物、裸地、烟雾等地物类型，火灾烧毁区域占整个研究区的17％。
[0102]
s2：对预处理后的双时相遥感影像分别计算nbrswir指数以融入先验知识，得到双时相遥感影像的nbrswir指数图x、y；
[0103]
对预处理后的双时相遥感影像的两个短波红外波段进行波段运算得到火灾前后的nbrswir指数图，得到的火灾前后的nbrswir指数图均只有一个波段，具体计算方法为：
[0104][0105]
其中，nbrswir指数(normalizedburnedratio swir，归一化燃烧指数)为一种新的火灾指数，swir1、swir2分别为预处理后的双时相遥感影像的第11和第12波段数据。
[0106]
s3：对所述nbrswir指数图x、y进行不确定性分析进而获取训练样本x
train
、y
train
；
[0107]
步骤s3具体包括：
[0108]
s31：对火灾前后的nbrswir指数图x、y作差，得到反映火灾区信息的nbrswir指数差值图，具体计算公式为：
[0109]dnbrswir
＝nbrswir
post-nbrswir
pre
[0110]
其中，nbrswir
post
为火灾后遥感影像的nbrswir指数图，nbrswir
pre
为火灾前遥感影像的nbrswir指数图，d
nbrswir
为火灾前后nbrswir指数差值图；
[0111]
s32：对所述nbrswir指数差值图进行模糊c均值聚类，实现阈值分割，将研究区划分为确定烧毁区域、不确定区域和确定未烧毁区域；
[0112]
进一步地，s32具体包括：
[0113]
s321、设置目标函数的精度e为0.0001，模糊指数m为2，聚类数c为3和算法最大迭代次数t为1000，目标函数j为：
[0114][0115]
目标函数的约束条件为：
[0116][0117][0118]
其中，c表示类别数目，n表示s31所述的nbrswir指数差值图的像元总数，m表示模糊指数，u
ij
表示样本xj属于i类的隶属度，j表示第j个像元，x表示s31所述的nbrswir指数差值图所代表的样本，i表示第i个聚类，vi表示i类的中心，d()表示距离的度量；
[0119]
s322、随机初始化隶属度矩阵u
ij
和聚类中心vi；
[0120]
s323、更新隶属度矩阵和聚类中心，具体为：
[0121][0122][0123]
其中，k表示第k个聚类，vk表示k类的中心；
[0124]
s324：若目标函数满足|j(t)-j(t+1)|＜e，则迭代结束，进入步骤s325，否则重复
步骤s323；
[0125]
s325：根据所得到的隶属度矩阵，取样本隶属度最大值所对应类作为样本聚类的结果，聚类结束，进而将样本划分为确定烧毁区域、不确定区域、确定未烧毁区域。
[0126]
s33：由于本发明的目的是抑制背景信息的变化进而提取火灾区域，所以利用不变像素(确定未烧毁区域)作为训练样本有助于提高最终精度，随机选取确定未烧毁区域中火灾前后nbrswir指数图中2.5％的像素作为训练样本x
train
、y
train
。
[0127]
s4：通过s3所述的训练样本x
train
、y
train
对两个对称的深度网络分支进行训练，训练完成后，获得训练好的两个对称的深度网络分支；
[0128]
s4具体包括：
[0129]
s41：构建两个对称的深度网络分支，均为全连接层，包括一个输入层、三个隐藏层和一个输出层，每个隐藏层均有相同数量的节点；
[0130]
s42：初始化双分支深度网络的参数{θ1,θ2}，其中θ1包括和θ2包括和
[0131]
s43：分别计算火灾前后训练样本x
train
、y
train
经过深度网络转换后的投影特征具体为：
[0132]
以火灾前训练样本为例：
[0133]
第一个隐藏层的输出可以表示为：其中m表示波段数，n表示像素数；表示权重矩阵，表示偏差向量，h1为第一个隐藏层节点数；s(
·
)表示激活函数。
[0134]
随后各隐藏层l的输出可表示为：其中
[0135]
最后该网络转换后的投影特征为：其中o表示输出层的节点数，为权重矩阵，h
l
为隐藏层节点数，为偏差向量；
[0136]
火灾后训练样本y
train
过程同火灾前训练样本。
[0137]
s44：计算损失函数，根据慢特征分析理论，不变的量具有最小的特征值，因此可以通过使所有特征值的总平方最小以抑制不变像素的方差，损失函数具体为：
[0138][0139]
式中：
[0140][0141]
[0142]
其中，其中，表示中心化后的n表示像素数，是一个元素均为1的矩阵，i表示单位矩阵，r表示正则化常数，(.)
t
表示矩阵的转置矩阵，(.)-1
为矩阵的逆矩阵，tr(.)为矩阵的迹；
[0143]
s45：计算梯度：和
[0144]
s46：使用梯度下降算法更新参数；
[0145]
s47：为了保证模型的收敛，重复步骤s43-s46直至达到最大迭代次数。
[0146]
s5：对s2得到的火灾前后遥感影像的光谱指数图x、y使用s4训练好的两个对称的深度网络分支来分别提取光谱指数图x、y的初始特征x
φ
、y
φ
；
[0147]
s6：对初始特征x
φ
、y
φ
进行慢特征分析(sfa)，将其投影到特征空间，并获得所述初始特征x
φ
、y
φ
的特征差值，在这一特征差值空间中非火灾区像素的差异将会被抑制，因此火灾区像素和非火灾区像素之间的可分离性得到强化，慢特征分析的具体步骤如图3所示，包括：
[0148]
s61：获取火灾前、后初始特征x
φ
、y
φ
的均值和标准差
[0149]
s62：根据均值和标准差标准化特征x
φ
、y
φ
，具体为：
[0150]
以火灾前初始特征x
φ
为例，采用公式标准化深度网络转换后得到的初始特征，其中是x
φ
第i个像素标准化后的值；x
φi
是x
φ
第i个像素的值；是x
φ
各像素值的均值；是x
φ
各像素值的标准差；火灾后初始特征y
φ
求解过程类似；
[0151]
s63：基于标准化后的特征获取特征x
φ
、y
φ
差值的协方差矩阵a以及特征x
φ
和y
φ
的协方差矩阵的和矩阵b，具体为：
[0152]
矩阵a为：
[0153]
矩阵b为：
[0154]
其中，和分别是火灾前后遥感影像nbrswir指数图经深度网络转换后的初始特征第i个像素标准化后的值，p是总像素数；
[0155]
s64：求解矩阵a相对矩阵b的广义特征值及广义特征值对应的特征向量，按照广义特征值大小将对应的特征向量从小到大进行排序，获得有序的特征向量矩阵；
[0156]
s65：采用有序的特征向量矩阵，将标准化后的特征投影到特征空间，并获得x
φ
、y
φ
的特征差值，具体为：
[0157][0158]
其中sfa表示特征差值，w表示有序的特征向量矩阵，表示火灾前后遥感影像nbrswir指数图经深度网络转换后的初始特征x
φ
、y
φ
各像素标准化后的值构成的矩阵。
[0159]
s7：根据s6获得的特征差值计算各像素点的卡方距离获得变化强度图，具体为：分
别将各像素点特征差值的平方除以对应的广义特征值的开方，计算公式如下：
[0160][0161]
其中chi为第i个像素的卡方距离，sfai为第i个像素的特征差值，λ为该波段的广义特征值。
[0162]
s8：对s7所述的变化强度图进行k-means阈值分割获得最终的森林火灾区。
[0163]
为了验证本发明一种融入先验知识的无监督学习森林火灾变化检测方法，在本实施例中，还包括对分类结果进行分析和评价。
[0164]
图4展示了不同方法在西昌火灾数据集上的火灾区域检测结果图，图4(a)为火灾后红色波段(r)、近红外波段(nir)、短波红外波段(swir1)合成的影像，图4(b)是用于参考的真实地表变化标签(黑色区域为非火灾烧毁区域，白色区域为火灾烧毁区域)，图4(c)-图4(h)分别为算法bai(burn area index，燃烧面积指数)、nbr(normalized burn ratio，归一化燃烧指数)、cva(change vector analysis，变化向量分析)、pca(principal component analysis，主成分分析)、sfa(slow feature analysis，慢特征分析)、dsfa(deep slow feature analysis，深度慢特征分析)的分类图，图4(i)为本实验提出方法的分类图。通过对比可以看出，本发明所提方法的结果与真实的地标变化标签最为接近，有效减少了火灾区域与烟雾、水体、植被等地物的错分，同时可以检测出较为完整的火灾烧毁区域。表1展示了不同方法精度评价结果的对比，总体上能看出本实验提出的方法具有最好的检测精度，从而说明了本发明方法的有效性。
[0165]
表1为各分类方法精度评价结果的对比
[0166][0167]
请参考图5，图5是本发明具体实施方式中森林火灾变化检测装置的结构图。
[0168]
一种融入先验知识的无监督学习森林火灾变化检测装置，用于实现上述无监督学习森林火灾变化检测方法的步骤，具体包括以下模块：
[0169]
影像预处理模块1，用于获取森林火灾前后火灾区的双时相遥感影像，并对所述双时相遥感影像进行预处理；
[0170]
nbrswir指数计算模块2，用于对预处理后的所述双时相遥感影像分别计算nbrswir指数以融入先验知识，得到双时相遥感影像的nbrswir指数图x、y；
[0171]
训练样本获取模块3，用于对所述nbrswir指数图x、y进行不确定性分析进而获取训练样本x
train
、y
train
；
[0172]
网络训练模块4，用于通过所述训练样本对两个对称的深度网络分支进行训练，训练完成后，获得训练好的深度网络分支；
[0173]
初始特征提取模块5，用于使用所述训练好的深度网络分支分别提取所述nbrswir指数图x、y的初始特征x
φ
、y
φ
；
[0174]
慢特征分析模块6，用于对所述初始特征进行慢特征分析，获得所述初始特征x
φ
、y
φ
的特征差值；
[0175]
卡方距离计算模块7，用于根据所述特征差值计算各像素点的卡方距离获得变化强度图；
[0176]
阈值分割模块8，用于对所述变化强度图进行k-means阈值分割获得最终的森林火灾区。
[0177]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0178]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0179]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，包括以下步骤：s1：获取森林火灾前后火灾区的双时相遥感影像，并对所述双时相遥感影像进行预处理；s2：对预处理后的所述双时相遥感影像分别计算nbrswir指数以融入先验知识，得到双时相遥感影像的nbrswir指数图x、y；s3：对所述nbrswir指数图x、y进行不确定性分析进而获取训练样本x
train
、y
train
；s4：通过所述训练样本对两个对称的深度网络分支进行训练，训练完成后，获得训练好的深度网络分支；s5：使用所述训练好的深度网络分支分别提取所述nbrswir指数图x、y的初始特征x
φ
、y
φ
；s6：对所述初始特征x
φ
、y
φ
进行慢特征分析，获得所述初始特征x
φ
、y
φ
的特征差值；s7：根据所述特征差值计算各像素点的卡方距离获得变化强度图；s8：对所述变化强度图进行k-means阈值分割获得最终的森林火灾区。2.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤s1中，所述预处理的步骤包括：s11：由欧空局哥白尼数据中心分别下载灾前、灾后森林火灾区的哨兵二号的l1c级多光谱数据；s12：利用sen2cor工具对所述l1c级多光谱数据进行辐射定标与大气校正，进而获取l2a级产品；s13：利用snap软件对所述l2a级产品进行超分辨率合成，将所有波段合成为空间分辨率为10m的波段，进而获得分辨率为10m的灾前、灾后遥感影像；s14：根据研究区范围分别剪裁所述分辨率为10m的灾前、灾后遥感影像，进而获得预处理后的双时相遥感影像。3.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤s2中，对预处理后的双时相遥感影像的两个短波红外波段进行波段运算得到火灾前后时相的nbrswir指数图，具体计算公式为：其中，nbrswir指数为一种新的火灾指数，swir1、swir2分别为预处理后的双时相遥感影像的第11和第12波段数据。4.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤s3具体包括：s31：对火灾前后的nbrswir指数图x、y作差，得到反映火灾区信息的nbrswir指数差值图，具体计算公式为：d
nbrswir
＝nbrswir
post-nbrswir
pre
其中，nbrswir
post
为火灾后遥感影像的nbrswir指数图，nbrswir
pre
为火灾前遥感影像的nbrswir指数图，d
nbrswir
为火灾前后nbrswir指数差值图；s32：对所述nbrswir指数差值图进行模糊c均值聚类，实现阈值分割，将研究区划分为
确定烧毁区域、不确定区域和确定未烧毁区域；s33：随机选取确定未烧毁区域中火灾前后nbrswir指数图中的像素作为训练样本x
train
、y
train
。5.如权利要求4所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤s32具体包括：s321：设置目标函数的精度e，模糊指数m，聚类数c和算法最大迭代次数t，目标函数j为：目标函数的约束条件为：目标函数的约束条件为：其中，c表示聚类数，n表示nbrswir指数差值图的像元总数，m表示模糊指数，u
ij
表示样本x
j
属于i类的隶属度，j表示第j个像元，x表示nbrswir指数差值图所代表的样本，i表示第i个聚类，v
i
表示i类的中心，d()表示距离的度量；s322：随机初始化隶属度矩阵u
ij
和聚类中心v
i
；s323：更新隶属度矩阵和聚类中心，具体为：s323：更新隶属度矩阵和聚类中心，具体为：其中，k表示第k个聚类，v
k
表示k类的中心；s324：若目标函数满足|j(t)-j(t+1)|＜e，则迭代结束，进入步骤s325，否则重复步骤s323；s325：根据所得到的隶属度矩阵，取样本隶属度最大值所对应类作为样本聚类的结果，聚类结束，进而将样本划分为确定烧毁区域、不确定区域、确定未烧毁区域。6.如权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤s4具体包括：s41：构建两个对称的深度网络分支，均为全连接层，包括输入层、隐藏层和输出层，每个隐藏层均有相同数量的节点；s42：初始化两个对称的深度网络分支的参数{θ1,θ2}；s43：分别计算火灾前后的训练样本x
train
、y
train
经过深度网络分支转换后的投影特征
s44：计算损失函数，根据慢特征分析理论，不变的量具有最小的特征值，因此通过使所有特征值的总平方最小以抑制不变像素的方差，损失函数具体为：式中：式中：其中，其中，表示中心化后的n表示像素数，是一个元素均为1的矩阵，i表示单位矩阵，r表示正则化常数，(.)
t
表示矩阵的转置矩阵，(.)-1
为矩阵的逆矩阵，tr(.)为矩阵的迹；s45：计算梯度：和s46：使用梯度下降算法更新参数{θ1,θ2}；s47：重复步骤s43-s46直至达到最大迭代次数，得到训练好的深度网络分支。7.如权利要求6所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤s43具体包括：s431：对于火灾前的训练样本x
train
：第一个隐藏层的输出表示为：其中m表示波段数，n表示像素数；表示权重矩阵，表示偏差向量，h1为第一个隐藏层节点数；s(
·
)表示激活函数；随后各隐藏层l的输出表示为：其中最后该网络转换后的投影特征为：其中o表示输出层的节点数，输出层的节点数，为权重矩阵，h
l
为隐藏层节点数，为隐藏层节点数，为偏差向量；s432：对于火灾后的训练样本y
train
，经过深度网络分支转换后的投影特征的过程同步骤s431。8.根据权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤s6具体包括：s61：获取火灾前、后初始特征x
φ
、y
φ
的均值和标准差s62：根据所述均值和标准差，标准化特征x
φ
、y
φ
，具体为：对于火灾前初始特征x
φ
，采用公式标准化深度网络转换后得到的初始
特征，其中是x
φ
第i个像素标准化后的值；x
φi
是x
φ
第i个像素的值；是x
φ
各像素值的均值；是x
φ
各像素值的标准差；火灾后初始特征y
φ
的标准化过程相同；s63：基于标准化后的特征获取特征x
φ
、y
φ
差值的协方差矩阵a以及特征x
φ
和y
φ
的协方差矩阵的和矩阵b，具体为：矩阵a为：矩阵b为：其中，和分别是火灾前后遥感影像nbrswir指数图经深度网络转换后的初始特征第i个像素标准化后的值，p是总像素数；s64：求解矩阵a相对矩阵b的广义特征值及广义特征值对应的特征向量，按照广义特征值大小将对应的特征向量从小到大进行排序，获得有序的特征向量矩阵；s65：采用有序的特征向量矩阵，将标准化后的特征投影到特征空间，并获得x
φ
、y
φ
的特征差值，具体为：其中，sfa表示特征差值，w表示有序的特征向量矩阵，表示火灾前后遥感影像nbrswir指数图经深度网络转换后的初始特征x
φ
、y
φ
各像素标准化后的值构成的矩阵。9.根据权利要求1所述的融入先验知识的无监督学习森林火灾变化检测方法，其特征在于，步骤s7中，所述计算各像素点的卡方距离的步骤，包括：分别将各像素点特征差值的平方除以对应的广义特征值的开方，计算公式如下：其中，ch
i
为第i个像素的卡方距离，sfa
i
为第i个像素的特征差值，λ为该波段的广义特征值。10.一种融入先验知识的无监督学习森林火灾变化检测装置，其特征在于，包括以下模块：影像预处理模块，用于获取森林火灾前后火灾区的双时相遥感影像，并对所述双时相遥感影像进行预处理；nbrswir指数计算模块，用于对预处理后的所述双时相遥感影像分别计算nbrswir指数以融入先验知识，得到双时相遥感影像的nbrswir指数图x、y；训练样本获取模块，用于对所述nbrswir指数图x、y进行不确定性分析进而获取训练样本x
train
、y
train
；网络训练模块，用于通过所述训练样本对两个对称的深度网络分支进行训练，训练完成后，获得训练好的深度网络分支；初始特征提取模块，用于使用所述训练好的深度网络分支分别提取所述nbrswir指数
图x、y的初始特征x
φ
、y
φ
；慢特征分析模块，用于对所述初始特征进行慢特征分析，获得所述初始特征x
φ
、y
φ
的特征差值；卡方距离计算模块，用于根据所述特征差值计算各像素点的卡方距离获得变化强度图；阈值分割模块，用于对所述变化强度图进行k-means阈值分割获得最终的森林火灾区。

技术总结
本发明公开一种融入先验知识的无监督学习森林火灾变化检测方法及装置，该方法包括：获取森林火灾前后火灾区的双时相遥感影像并进行预处理；分别计算NBRSWIR指数得到NBRSWIR指数图；进行不确定性分析获取训练样本；利用训练样本对两个对称的深度网络分支进行训练；使用训练好的深度网络分支分别提取对NBRSWIR指数图的初始特征；对初始特征进行慢特征分析，获得初始特征的特征差值；计算卡方距离获得变化强度图；进行K-means阈值分割获得森林火灾区；本发明提供了一种新颖的森林火灾变化检测框架，不仅融入了先验地学知识，提高了火灾区域与背景信息的光谱分离能力，还能抑制背景信息变化提取火灾区更复杂的特征，在没有人工标注训练样本的前提下仍然保证了分类的精度。度。度。


技术研发人员：朱祺琪 李子琪 郭希
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2022.03.29
技术公布日：2022/7/5