CN107230201A - 基于样本自标定elm的在轨sar图像变化检测方法 - Google Patents
基于样本自标定elm的在轨sar图像变化检测方法 Download PDFInfo
- Publication number
- CN107230201A CN107230201A CN201710340278.7A CN201710340278A CN107230201A CN 107230201 A CN107230201 A CN 107230201A CN 201710340278 A CN201710340278 A CN 201710340278A CN 107230201 A CN107230201 A CN 107230201A
- Authority
- CN
- China
- Prior art keywords
- sample
- elm
- change
- strict
- calibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于样本自标定ELM的在轨SAR图像变化检测方法,提升了检测精度,扩大了方法的实际应用范围。步骤包括:对两幅配准相的SAR图像对,计算获得对数差分图DI;用PCA获取DI的主分量;利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域;从中提取部分样本的邻域特征,将其作为训练样本训练ELM;将待检测的对数差分图中每个样本的邻域送入训练好的ELM中,获得变化检测结果图。本发明从待检测差分图中自动提取训练样本,消除了训练数据对方法检测能力的限制,扩大了方法的实际应用范围,避免了人工的参与,降低了噪声的干扰,提升了方法的检测正确率,具备稳定可靠的检测能力。
Description
技术领域
本发明属于图像检测技术领域,主要涉及SAR图像变化检测,具体是一种基于样本自标定ELM的在轨SAR图像变化检测方法。用于对卫星拍摄的SAR图像进行实时在轨变化检测。
背景技术
合成孔径雷达(SAR)是一种高分辨率成像雷达,可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。由于其优异的特性,合成孔径雷达已经被广泛应用于工农业生产、城市监控、军事和科研等领域。基于SAR的图像变化检测是对同一地区不同时间的两幅图像进行比对分析,辨别出图像间的差异并以此得到需要的目标或地形的变化信息。现如今,随着全球城市的快速发展和环境的剧烈变化,及时掌握需要的变化信息变得越来越急迫。结合SAR图像的优异特性的变化检测方法,为快速获得目标区域的变化信息提供了需要的的技术支持和应急保障。
在轨的SAR的图像变化检测,主要基于两种检测思路:(1)无监督的SAR图像变化检测,该方法提取图像中的相似特征进行分析聚类,最终获得变化信息;(2)有监督的SAR图像变化检测方法,该方法事先利用有标签的样本对检测算法进行训练,再将需要进行变化检测的SAR图像送入算法中获得变化区域的检测。
由于不能利用标签样本的有效信息,无监督的在轨变化检测方法在检测精度和鲁棒性方面有待进一步提高。有监督的在轨SAR变化检测需要在地面用大量的实际数据信息训练网络后再送到星上进行检测分类变化区域。基于这种思想实现的检测方法虽然免去了在星上进行网络参数训练的过程,一定程度上提升了检测方法的速度,但是由于训练数据信息的稀缺且昂贵,并且星上检测方法的网络参数固定,使得此类方法在面对不同幅宽不同分辨率以及不同成像方式的目标区域的数据时,其检测质量受到很大程度的波动,比如成像方式是单视或四视,检测结果存在不稳定性,严重限制了检测方法的实际应用。
综上,无监督的在轨SAR图像变化检测方法的检测精度和鲁棒性不够理想;有监督的在轨SAR图像变化检测方法需要的训练数据需要人工对其标注,不能灵活应用于不同成像方式,检测结果因分辨率及成像方式的不同而存在不稳定性。现有的在轨SAR图像的变化检测方法因具有广泛的应用价值急需不断探索与改进。
发明内容
本发明的目的是针对现有在轨检测方法的应用局限性,提出了一种自动提取训练样本,检测结果更加稳定的基于样本自标定ELM的在轨SAR图像变化检测方法。
本发明是一种基于样本自标定ELM的在轨SAR图像变化检测方法,其特征是:直接在卫星上对配准后的SAR图像对进行变化检测,并包括以下步骤:
步骤101:开始基于样本自标定ELM的在轨变化检测。
步骤102:对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X1和X2作对数比值法计算,获得对数差分图DI。
步骤103:使用主成份分析法(PCA)获取对数差分图前99%的主要分量。
步骤104:设计样本自标定策略,利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域。
步骤105:从严格变化区域和严格未变化区域中按序提取部分样本的邻域特征作为训练样本,训练极速学习机ELM的网络参数。
步骤106:将待检测的对数差分图中每个样本的邻域特征送入训练好的ELM中,获得目标区域的变化检测结果。
步骤107:完成基于样本自标定ELM的在轨SAR图像变化检测。
本发明与现有技术相比具有下列有益的效果:
1、本发明使用PCA对对数差分图进行主成份提取,降低了图像的特征维度,减少了噪声像素对方法的干扰,在确保算法的时效性的基础上提升了算法的抗噪性。
2、本发明自动提取训练样本,提出了独特的样本自标定策略,通过利用FCM聚类算法获取的样本聚类中心,结合候选样本的邻域特征,自动地提取出了所需要的变化样本数据和未变化样本数据,避免了标记样本的人工提取。
3、本发明采用了计算速度快、计算结果优良的单隐层前馈神经网络——ELM来最终分类变化像素和未变化像素,提升了方法的检测速度和检测质量。
4、仿真实验表明,本发明采用的基于样本自标定ELM实现的在轨SAR图像变化检测,其从待检测SAR图像中实时的提取训练样本,可以灵活的应对不同场景的检测需求,即不同分辨率及不同成像方式的SAR数据,不仅保证了稳定的检测质量,且适用性更广泛;在确保了检测速度的同时具备优异的检测结果。
附图说明
图1是基于样本自标定ELM的在轨SAR图像变化检测方法的主流程图;
图2是严格变化样本的选取策略图,图中的白色块表示候选的变化像素,灰色块表示未知类别像素,图2(a)-2(d)给出了中心像素为候选变化像素,选择其为严格变化像素时的邻域像素分布的四个具体实例;
图3是严格未变化样本的选取策略图,图中的黑色块表示候选的未变化像素,灰色块表示未知类别像素,图3(a)-3(d)给出了中心像素为候选未变化像素,选择其为严格未变化像素时的邻域像素分布的四个实例;
图4是第一组实验仿真图,是同一地区不同时间下拍摄的SAR图像,大小均为301×301,其中图4(a)的拍摄时间为1999年4月,图4(b)的拍摄时间为1999年5月;
图5是对应图4中第一组实验仿真图的变化检测结果对比,其中图5(a)是检测参考图,图5(b)是本发明得到的变化检测结果图,图5(c)是CKLD方法(the Cumulant-basedKullback-Leibler Divergence method)的变化检测结果图;
图6是第二组实验仿真图,是同一地区不同时间下拍摄的SAR图像,大小均为290×350,其中图6(a)的拍摄时间为1997年5月,图6(b)的拍摄时间为1997年8月;
图7是对应图6中第二组实验仿真图的变化检测结果对比,其中图7(a)是变化检测参考图,图7(b)是本发明得到的变化检测结果图,图7(c)是CKLD方法的变化检测结果图。
具体实施方式
下面结合附图对本发明详细说明。
实施例1
有监督的在轨SAR图像变化检测方法受限于大量人工标注的数据,而采用地面训练数据、星上检测的方式不能稳定地应用于不同成像方式及分辨率的SAR图像数据。针对此现状,本发明展开了探索与改进,提出一种基于样本自标定ELM的在轨SAR图像变化检测方法。
参见图1:本发明直接在卫星上对配准后的SAR图像对进行变化检测,具体包括有以下步骤:
步骤101:开始基于样本自标定ELM的在轨变化检测。
步骤102:对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X1和X2,其中图像X1表示同一地区第一时相的SAR图像,X2表示同一地区第二时相的SAR图像。对图像对X1和X2作对数比值法计算,获得对数差分图DI。
步骤103:获取对数差分图的主分量:使用主成份分析法(PCA)获取对数差分图前99%的主要分量。
步骤104:设计样本自标定策略:对获得的对数差分图的主分量进行FCM聚类分析,获得对数差分图主分量的两个样本聚类中心c1和c2。c1代表第一类样本的聚类中心,该类样本的灰度值较低;c2代表第二类样本的聚类中心,该类样本的灰度值较高。根据获得的两个样本聚类中心c1和c2,利用样本邻域特征获得该SAR图像的严格变化像素和严格未变化像素。所有严格变化像素构成严格变化区域,所有严格未变化像素构成严格未变化区域。本发明通过划分严格区域的划分,不仅能保证检测精度,也避免了训练样本选取时的人工参与。
步骤106:从严格变化区域和严格未变化区域中按序提取部分样本的邻域特征作为训练样本,训练ELM,本例中选取样本的5×5邻域。
步骤107:将待检测的对数差分图中每个样本的邻域特征送入训练好的ELM中,获得目标区域的变化检测结果;该变化检测结果反映了该地区不同时间带来的变化。
步骤108:完成基于样本自标定策略ELM的在轨SAR图像变化检测。
本发明利用样本自标定策略,从待检测SAR图像中自动提取出需要的严格变化样本和严格未变化样本作为神经网络的训练数据,使得检测方法能够同时稳定地应用于不同成像方式及不同分辨率的SAR图像的变化检测中,利用了有监督检测算法的优势,避免了人工的参与。思路清晰简单,全程自动化决策,且由于主成份分析方法(PCA)的引入,降低了SAR图像中噪声像素的干扰;通过ELM的训练学习,有效的提升了方法的检测速度和检测精度。
实施例2
基于样本自标定ELM的在轨SAR图像变化检测方法的总体技术方案同实施例1,本发明步骤102中的对数比值法计算,包括如下步骤:
步骤201:开始对数比值法计算。
步骤202:将从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X1和X2根据下式生成对数差分图DI:
其中ε是一个很小的正常数,范围取值一般为[10-4,100];X1表示发生变化前目标区域的SAR图像,X2表示发生变化后目标区域的SAR图像。
步骤203:将生成的对数差分图DI进行归一化处理,表示为:
其中DImax和DImin分别表示对数差分图DI中的灰度最大值和最小值,差分图大小为M×N,m和n表示当前像素的坐标,最终得到归一化后的对数差分图。
步骤204:结束对数比值法。
实施例3
基于样本自标定ELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-2,步骤103所述的获取归一化后的对数差分图的主分量,包括如下步骤:
步骤301:开始使用主成份分析(PCA)提取归一化后的对数差分图的主分量。
步骤302:将归一化后的对数差分图分割成若干个互不重叠的图像块,每个图像块的大小为k×k,本例中设置图像块的大小为5×5。
步骤303:将分割后的所有图像块拉成列向量,调用PCA保留其99%的信息。
步骤304:将拉成列向量的块复原,获得归一化后的对数差分图的主要分量。
步骤305:结束使用主成份分析(PCA)提取归一化后的对数差分图的主分量。
本发明通过使用主分量分析法,通过提取对数差分图的主分量,有效的降低了噪声像素的干扰,提升了方法的检测质量。
实施例4
基于样本自标定ELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-3,步骤104所述的使用样本自标定策略,包括如下步骤:
步骤401:开始样本自标定策略的设计和样本的获取。
步骤402:对归一化后的对数差分图中的每一个像素样本的主分量进行FCM聚类分析,设置聚类类别数为2。
步骤403:得到两个类别的样本聚类中心,分别为c1和c2,c1代表第一类样本的聚类中心,其灰度值较低;c2代表第二类样本的聚类中心,其灰度值较高;
步骤404:根据获得的两个样本聚类中心c1和c2,将归一化后的对数差分图中的灰度值小于的像素样本视为候选未变化样本,将灰度值大于的像素样本视为候选变化样本。
步骤405:针对每个候选样本,查考其8邻域的像素分布,对于候选的变化样本,如果其8邻域像素中有等于或超过半数均为候选变化样本,则选择它为严格变化样本,参见图2;其中图2(a)中居中的为严格变化像素,也称为严格变化样本,在其周围有四个候选变化样本;图2(b)、图2(c)和图2(d)中均有四个候选变化样本,虽然四个候选变化样本的分布不同,但都达到了8邻域像素总数的半数,所以选择图示的4中情况均为中心像素为严格变化像素。如果其8邻域中候选变化样本超过半数,更应确定其中心像素为严格变化样本。
同理,对于候选的未变化样本,如果其8邻域像素中有等于或超过半数均为候选的未变化样本,则将其视为严格未变化样本,参见图3;图3(a)-3(d)给出了满足选择中心候选未变化像素为严格未变化像素的邻域分布图,统计所有的严格变化样本和严格未变化样本,根据本发明的样本自标定策略,获得严格变化区域和严格未变化区域。
步骤406:结束样本自标定策略的设计和样本的获取。
本发明利用样本自标定策略,从待检测SAR图像对的差分图中自动提取出需要的严格变化样本和严格未变化样本作为神经网络的训练数据,使得方法能够同时应用于不同成像方式及不同分辨率的SAR图像的变化检测中,满足了方法面对不同检测场景时稳定的检测质量的需要。
实施例5
基于样本自标定ELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-4,步骤105所述的训练ELM,包括如下步骤:
步骤501:开始训练ELM的网络参数。
步骤502:根据分类后样本的严格变化样本和严格未变化样本,分别提取出以对应样本为中心的邻域特征,将特征拉成列向量,本例中提取样本的5×5邻域特征。
步骤503:将拉成列向量的特征均送入ELM中进行训练;设置ELM的单隐层节点数为200,设置输入层的权重和偏置为均匀分布的随机数;ELM的目标函数为:
其中H为样本的隐藏层输出矩阵,T为样本的类标矩阵,β表示隐藏节点到输出节点的权重向量。
步骤504:获得训练好网络参数的ELM。
步骤505:结束ELM的训练。
本方法将从待检测图像中自动选取的训练样本送入到ELM中进行训练,利用了计算速度快、计算结果优良的单隐层前馈神经网络——ELM来最终分类变化像素和未变化像素,也提升了本发明方法的检测速度和检测质量。
下面给出一个所有步骤融合在一起的例子,对本发明进一步说明。
实施例6
基于样本自标定ELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-5,本发明提出了一种基于样本自标定ELM的在轨SAR图像变化检测方法,它属于神经网络和图像处理相结合的技术领域,目的是为了获取精确稳定且全程自动检测的变化区域检测图的问题。采用的技术方案是:(1)首先对两幅配准后的同一地区但不同时相的SAR图像对作对数比值法,以获得对数差分图;(2)使用主成份分析(PCA)获取对数差分图的主分量;(3)设计样本自标定策略,利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域;(4)随机提取部分严格变化像素和严格未变化像素的主成份作为训练样本,训练ELM;(5)将待检测的对数差分图中每个样本的5×5邻域送入训练好的ELM中,获得变化检测图。
如图1所示,实现步骤包括:
步骤101:开始基样本自标定ELM的在轨SAR图像变化检测。
步骤102:对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像作对数比值法,以获得对数差分图DI。
步骤103:获取对数差分图的主分量:使用主成份分析(PCA)获取对数差分图前99%的主要分量。
步骤104:设计样本自标定策略,利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域。
步骤105:从严格变化区域和严格未变化区域中按序提取部分样本作为训练样本,训练ELM。
步骤106:将待检测的对数差分图中每个样本的5×5邻域送入训练好的ELM中,获得目标区域的变化检测结果。
步骤107:完成样本自标定策略的在轨SAR图像变化检测。
所述的步骤102,包括如下步骤:
步骤201:开始对数比值法。
步骤202:生成两幅配准后SAR图像X1和X2的对数差分图DI:
其中ε是一个很小的正常数,一般为[10-4,100];X1表示发生变化前目标区域的SAR图像,X2表示发生变化后目标区域的SAR图像。
步骤203:将生成的对数差分图DI进行归一化处理:
其中DImax和DImin分别表示对数差分图DI中的最大值和最小值,对数差分图大小为M×N,m表示对数差分图中第m列,n表示对数差分图中第n列,得到归一化后的对数差分图。
步骤204:结束对数比值法。
所述的步骤103,包括如下步骤:
步骤301:开始使用主成份分析(PCA)提取归一化后的对数差分图的主分量。
步骤302:将归一化后的对数差分图分割成若干个互不重叠的图像块,每个图像块的大小为5×5。
步骤303:将分割后的所有图像块拉成列向量,调用PCA保留其99%的信息。
步骤304:将拉成列向量的块复原,获得归一化后的对数差分图的主要分量。
步骤305:结束使用主成份分析(PCA)提取归一化后的对数差分图的主分量。
步骤401:开始样本自标定策略的设计和样本的获取。
步骤402:对归一化后的对数差分图中的每一个像素样本的主分量进行FCM聚类分析,设置聚类类别数为2。
步骤403:得到两个类别的样本聚类中心,分别为c1和c2,c1代表第一类样本的聚类中心,其灰度值较低;c2代表第二类样本的聚类中心,其灰度值较高;
步骤404:根据获得的两个样本聚类中心c1和c2,将归一化后的对数差分图中的灰度值小于的像素样本视为候选未变化样本,将灰度值大于的像素样本视为候选变化样本。
步骤405:针对每个候选样本,查考其8邻域的像素分布,对于候选的变化样本,如果其8邻域像素中有等于或超过半数均为候选变化样本,则选择它为严格变化样本;同理,对于候选的未变化样本,如果其8邻域像素中有等于或超过半数均为候选的未变化样本,则将其视为严格未变化样本;统计所有的严格变化样本和严格未变化样本,获得严格变化区域和严格未变化区域。
步骤406:结束样本自标定策略的设计和样本的获取。
所述的步骤105,包括如下步骤:
步骤501:开始训练ELM的网络参数。
步骤502:根据分类后样本的严格变化样本和严格未变化样本,按序选择出其中的1/100的样本,提取对应样本为中心的5×5邻域特征,将特征拉成列向量。
步骤503:将拉成列向量的特征均送入ELM中进行训练;设置ELM的单隐层节点数为200,设置输入层的权重和偏置为均匀分布的随机数;ELM的目标函数为:
其中H为样本的隐藏层输出矩阵,T为样本的类标矩阵,β表示隐藏节点到输出节点的权重向量。
步骤504:获得训练好网络参数的ELM。
步骤505:结束ELM的训练。
下面通过仿真及其相关实验数据,对本发明的技术效果再做说明。
实施例7
基于样本自标定ELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-6。
仿真评价指标
对于具有参考图的实验仿真图,可进行定量的变化检测结果分析:
1)计算漏检个数:统计检测结果图中检测出的变化区域的像素个数,与参考图中变化像素区域的像素个数进行对比,统计参考图中发生变化但检测结果图中检测为未变化的像素个数,称之为漏检个数FN。
2)计算错检个数:统计检测结果图中检测出的无变化区域的像素个数,与参考图中无变化区域的像素个数进行对比,统计参考图中无变化但检测结果图中检测为变化的像素个数统计,称之为错检个数FP。
3)正确分类的概率PCC:PCC=(TP+TN)/(TP+FP+TN+FN)。
4)衡量检测结果图与参考图一致性的Kappa系数:Kappa=(PCC–PRE)/(1–PRE),其中:PRE=(TP+FP)×Nc+(FN+TN)×Nu/N2。
这里N代表总像素个数,Nc和Nu分别代表实际的变化像素个数和无变化像素个数。
仿真内容
采用本发明的方法在第一组实验仿真图和第二组实验仿真图中实现了变化检测,并将检测结果与CKLD算法在同样的仿真图中获得的结果进行了对比。
仿真实验结果及分析
1)反映Bern城市地区的SAR图像如图4所示,图4(a)的拍摄时间是1999年4月,图4(b)的拍摄时间是1999年5月,大小均为301×301。
图5给出了通过样本自标定ELM的在轨SAR图像变化检测方法,即本发明的结果图,以及通过CKLD方法得到的变化检测结果图。其中5(a)是图4中Bern地区在1999年4月和5月间的实际变化参考图,5(b)是本发明在Bern地区的检测结果,5(c)是CKLD方法在Bern地区的变化检测结果。
从图5对比看出,CKLD方法的检测结果5(c)的噪点比较多,细节丢失比较严重,许多变化的区域并未能检测出来。例如在变化区域的正下方,CKLD方法大量丢失变化信息,许多微小区域的变化信息不能正确检测出来。而本发明方法的变化检测结果图具有优良的细节保持能力,检测的结果图的轮廓更加逼近真实情形,得到的变化检测结果更优于CKLD方法。
使用本发明的检测效果指标以及CKLD方法在第一组实验仿真图上的对比数据结果如如表1所示。
表1本发明(样本自标定ELM)方法和CKLD方法在第一组实验仿真图,即图4上的对比数据结果
从表1中可以看出,本发明方法的变化检测正确率以及Kappa系数和CKLD方法比较都更优秀,本发明的错检数FP只有CKLD方法错检数的54%,漏检数FN只占到CKLD方法漏检数的72%,总体检测效果相比CKLD方法更加优良。
实施例9
基于样本自标定ELM的在轨SAR图像变化检测方法的总体技术方案同实施例1-7,仿真条件和仿真内容同实施例8。
图6是反映了Ottawa地区发生水灾前后的SAR图像。图6(a)的拍摄时间是1997年5月,图6(b)的拍摄时间是1997年8月,图像大小均为290×350。
图7给出了本发明运用样本自标定ELM进行变化检测的结果图以及通过CKLD方法得到的变化检测结果图,其中7(a)是Ottawa地区发生水灾前后的实际变化参考图,7(b)表示本发明在Ottawa地区发生水灾前后的检测结果,7(c)是CKLD方法在Ottawa地区发生水灾前后的变化检测结果。从图7对比可以看出,CKLD方法生成的检测结果图中有明显的重影,严重影响了变化区域细节的描述,同时也影响了检测结果的正确率,而本发明方法的变化检测结果图的细节保持能力更优于CKLD方法,变化区域的边缘都能够很好的得以还原,检测质量明显高于CKLD方法。
使用本发明样本自标定ELM进行变化检测的效果指标以及CKLD方法在第二组实验仿真图上的对比数据结果如表2所示。
表2样本自标定ELM方法和CKLD方法在第二组实验仿真图上的对比数据结果
从表2中很明显的看出,本发明方法的漏检数远远小于CKLD方法,约占CKLD方法漏检率的21%,本发明方法的Kappa系数较之CKLD方法高出约6个百分点,变化检测结果无论是正确检出率还是Kappa系数都远远优于CKLD方法。
对照实施例8,两个实例采用了不同分辨率的原始SAR图像,本发明的方法检测结果始终保持稳定,可见本发明方法提高了SAR图像变化检测的效果,方法的适应性更强。
本实施没有详细叙述的工艺和字母含义属本行业的公知常用手段及公知技术,这里不一一叙述。
本发明提出了一种基于样本自标定ELM的在轨SAR图像变化检测方法。包括如下步骤:步骤101:开始基于样本自标定ELM的在轨SAR图像变化检测;步骤102:对两幅配准后的同一地区但不同时相的SAR图像作对数比值法,获得对数差分图;步骤103:使用主成份分析(PCA)获取对数差分图的主要分量;步骤104:设计样本自标定策略,利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域;步骤105:从严格变化区域和严格未变化区域中按序提取部分严格变化像素和严格未变化像素的主成份作为训练样本,训练ELM的网络参数;步骤106:将待检测的对数差分图中每个样本的5×5邻域送入训练好的ELM中,获得目标区域的变化检测结果;步骤107:结束基于样本自标定ELM的在轨SAR图像变化检测方法。本发明通过提出的样本自标定策略,从待检测SAR图像中自动提取出需要的严格变化样本和严格未变化样本作为ELM的训练数据,能够同时应用于不同成像方式及不同分辨率的SAR图像的变化检测中,在利用了有监督检测算法的优势的前提下避免了人工的参与。方法思路清晰简单,全程自动化决策,具备优秀的检测精度。
Claims (4)
1.一种基于样本自标定ELM的在轨SAR图像变化检测方法,其特征是:直接在卫星上对配准后的SAR图像对进行变化检测,并包括以下步骤:
步骤101:开始基于样本自标定ELM的在轨变化检测;
步骤102:对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X1和X2作对数比值法计算,并作归一化处理,获得归一化后的对数差分图DI;
步骤103:获取归一化后对数差分图的主分量:使用主成份分析法获取对数差分图前99%的主要分量;
步骤104:设计样本自标定策略,利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域;
步骤105:从严格变化区域和严格未变化区域中按序提取部分样本作为训练样本,训练极速学习机ELM;
步骤106:将待检测的对数差分图中每个样本的5×5邻域特征送入训练好的ELM中,获得目标区域的变化检测结果;
步骤107:完成样本自标定ELM的在轨SAR图像变化检测。
2.根据权利要求1所述的基于样本自标定ELM的在轨SAR图像变化检测方法,其特征是:步骤103所述的获取归一化后的对数差分图的主分量,包括如下步骤:
步骤301:开始使用主成份分析PCA提取归一化后的对数差分图的主分量;
步骤302:将归一化后的对数差分图分割成若干个互不重叠的图像块,每个图像块的大小为5×5;
步骤303:将分割后的所有图像块拉成列向量,调用PCA保留其99%的信息;
步骤304:将拉成列向量的块复原,获得归一化后的对数差分图的主要分量;
步骤305:结束使用主成份分析提取归一化后对数差分图的主分量。
3.根据权利要求1所述的基于样本自标定ELM的在轨SAR图像变化检测方法,其特征是:步骤104所述的设计样本自标定策略,用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域,包括如下步骤:
步骤401:开始样本自标定策略的设计和样本的获取;
步骤402:对归一化后的对数差分图中的每一个像素样本的主分量进行FCM聚类分析,设置聚类类别数为2;
步骤403:得到两个类别的样本聚类中心,分别为c1和c2,c1代表第一类样本的聚类中心,其灰度值较低;c2代表第二类样本的聚类中心,其灰度值较高;
步骤404:根据获得的两个样本聚类中心c1和c2,将归一化后的对数差分图中的灰度值小于的像素样本视为候选未变化样本,将灰度值大于的像素样本视为候选变化样本;
步骤405:针对每个候选样本,查考其8邻域的像素分布,对于候选的变化样本,如果其8邻域像素中有等于或超过半数均为候选变化样本,则选择它为严格变化样本;同理,对于候选的未变化样本,如果其8邻域像素中有等于或超过半数均为候选的未变化样本,则将其视为严格未变化样本;统计所有的严格变化样本和严格未变化样本,获得严格变化区域和严格未变化区域;
步骤406:结束样本自标定策略的设计和样本的获取。
4.根据权利要求1所述的基于样本自标定ELM的在轨SAR图像变化检测方法,其特征是:步骤105所述的提取部分训练样本训练ELM,包括如下步骤:
步骤501:开始提取部分训练样本训练ELM;
步骤502:从严格变化区域和严格未变化区域中按序提取其中的1/100的像素,分别作为严格变化样本和严格未变化样本,分别提取出以对应样本为中心的5×5邻域特征,将特征拉成列向量;
步骤503:将拉成列向量的特征均送入ELM中进行训练;设置ELM的单隐层节点数为200,设置输入层的权重和偏置为均匀分布的随机数;ELM的目标函数为:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&beta;</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<mi>H</mi>
<mi>&beta;</mi>
<mo>-</mo>
<mi>T</mi>
<mo>|</mo>
<mo>|</mo>
</mrow>
其中H为样本的隐藏层输出矩阵,T为样本的类标矩阵,β表示隐藏节点到输出节点的权重向量;
步骤504:获得训练好网络参数的ELM;
步骤505:结束ELM的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710340278.7A CN107230201B (zh) | 2017-05-15 | 2017-05-15 | 基于样本自标定elm的在轨sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710340278.7A CN107230201B (zh) | 2017-05-15 | 2017-05-15 | 基于样本自标定elm的在轨sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107230201A true CN107230201A (zh) | 2017-10-03 |
CN107230201B CN107230201B (zh) | 2020-11-03 |
Family
ID=59934195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710340278.7A Active CN107230201B (zh) | 2017-05-15 | 2017-05-15 | 基于样本自标定elm的在轨sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230201B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596882A (zh) * | 2018-04-10 | 2018-09-28 | 中山大学肿瘤防治中心 | 病理图片的识别方法及装置 |
CN110427997A (zh) * | 2019-07-25 | 2019-11-08 | 南京信息工程大学 | 面向复杂遥感影像背景的改进cva变化检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008014709A (ja) * | 2006-07-04 | 2008-01-24 | Mitsubishi Electric Corp | 画像処理装置 |
EP2650695A1 (en) * | 2012-08-02 | 2013-10-16 | Institute of Electronics, Chinese Academy of Sciences | Imaging method for synthetic aperture radar in high squint mode |
CN105608698A (zh) * | 2015-12-25 | 2016-05-25 | 西北工业大学 | 一种基于sae的遥感图像变化检测方法 |
CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
-
2017
- 2017-05-15 CN CN201710340278.7A patent/CN107230201B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008014709A (ja) * | 2006-07-04 | 2008-01-24 | Mitsubishi Electric Corp | 画像処理装置 |
EP2650695A1 (en) * | 2012-08-02 | 2013-10-16 | Institute of Electronics, Chinese Academy of Sciences | Imaging method for synthetic aperture radar in high squint mode |
CN105608698A (zh) * | 2015-12-25 | 2016-05-25 | 西北工业大学 | 一种基于sae的遥感图像变化检测方法 |
CN105844279A (zh) * | 2016-03-22 | 2016-08-10 | 西安电子科技大学 | 基于深度学习和sift特征的sar图像变化检测方法 |
Non-Patent Citations (4)
Title |
---|
FENG GAO 等: "Change detection from synthetic aperture radar images based on neighborhood-based ratio and extreme learning machine", 《JOURNAL OF APPLIED REMOTE SENSING》 * |
LI YUFENG 等: "Research on SAR image change detection algorithm based on hybrid genetic FCM and image registration", 《MULTIMED TOOLS APPL》 * |
张建奇 等: "《光电成像系统建模及性能评估理论》", 31 December 2010 * |
杨正勇: "有变化区域的SAR图像配准方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596882A (zh) * | 2018-04-10 | 2018-09-28 | 中山大学肿瘤防治中心 | 病理图片的识别方法及装置 |
CN110427997A (zh) * | 2019-07-25 | 2019-11-08 | 南京信息工程大学 | 面向复杂遥感影像背景的改进cva变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107230201B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660052B (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法 | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN107833220A (zh) | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 | |
CN112183432B (zh) | 一种基于中分辨率sar图像的建筑区提取方法以及系统 | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN104680542B (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN107133955B (zh) | 一种多层次结合的协同显著性检测方法 | |
CN109409263A (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN103729854B (zh) | 一种基于张量模型的红外弱小目标检测方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
CN108062531A (zh) | 一种基于级联回归卷积神经网络的视频目标检测方法 | |
CN110659591A (zh) | 基于孪生网络的sar图像变化检测方法 | |
CN105869146B (zh) | 基于显著性融合的sar图像变化检测方法 | |
CN104408482A (zh) | 一种高分辨率sar图像目标检测方法 | |
CN109902715A (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN107092890A (zh) | 基于红外视频的舰船检测及跟踪方法 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN107491734A (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN105913002A (zh) | 视频场景下在线自适应的异常事件检测方法 | |
CN113870157A (zh) | 一种基于CycleGAN的SAR图像合成方法 | |
CN107194917A (zh) | 基于dap和arelm的在轨sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |