CN107341798B - 基于全局-局部SPP Net的高分辨SAR图像变化检测方法 - Google Patents
基于全局-局部SPP Net的高分辨SAR图像变化检测方法 Download PDFInfo
- Publication number
- CN107341798B CN107341798B CN201710548343.5A CN201710548343A CN107341798B CN 107341798 B CN107341798 B CN 107341798B CN 201710548343 A CN201710548343 A CN 201710548343A CN 107341798 B CN107341798 B CN 107341798B
- Authority
- CN
- China
- Prior art keywords
- layer
- spp net
- net
- spp
- group
- 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.)
- Active
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于全局‑局部SPP Net的高分辨SAR图像变化检测方法，包括如下步骤：从两幅配准后的同一地区不同时相的SAR图像中，选取部分有标签数据作为训练样本；将训练样本归一化到[0，1]之间，记作X1；从X1中选择m组较大尺度的图像块送入局部大尺度SPP Net进行感兴趣区域检测训练，得到训练好的感兴趣区域检测模型；从X1中选择n组较小尺度的图像块送入局部小尺度SPP Net进行变化检测训练，得到训练好的变化检测模型；再从待检测地区任意选取a×b的大图，作为测试数据送入局部大尺度SPP Net感兴趣区域检测网络进行ROI测试，得到最终的ROI测试结果；再将得到的ROI检测结果送入局部小尺度下的SPP Net变化检测网络进行变化检测测试，得到最终的变化检测结果图。
Description
【技术领域】
本发明属于深度学习与遥感图像处理领域的结合，具体涉及一种基于全局-局部SPP Net的高分辨SAR图像变化检测方法，实现对高分辨SAR图像的变化检测。
【背景技术】
近年来，随着航空和航天遥感技术的飞速发展，变化检测技术经过几十年的发展，在各方面都取得了一定进展。从数据源角度看，变化检测已不再局限于使用单一的遥感影像，而是综合利用多来源、多平台、多分辨率的遥感影像、GIS数据及一些辅助数据检测变化信息；从技术角度看，传统的变化检测方法日趋完善，新方法不断涌现。其中，传统的SAR图像变化检测的方法主要分为两类，一类是采用非深度学习的变化检测算法，另一类是结合了深度学习的变化检测算法。
传统的单极化SAR非深度学习变化检测方法的基本流程包括：图像预处理、生成差异图和分析差异图等三个部分。传统的生成差异图方法有：图像差值法、图像比值法、对数比值法。该方法思路简单清晰，检测准确率相对较高。但是，这种方法对差异图的依赖性较高，只有在获得较好差异图的基础上，才会获得良好的检测结果。目前，结合深度学习进行SAR图像变化检测的研究不是很多，已实现的检测方法大多是针对小规模图像，采用DBN或者AE的方法，这些方法虽然避免了差异图的产生，但是在处理大规模、高分辨图像时，准确率相对较低。
【发明内容】
本发明的目的在于针对上述问题，提出一种基于全局-局部SPP Net的高分辨SAR图像变化检测方法，本发明利用局部SPP Net中的大尺度检测网络进行感兴趣区域检测，再针对检测到的感兴趣区域进行局部SPP Net中的小尺度检测网络做变化检测，从而实现对大规模图像进行准确的变化检测。
本发明所采用的技术方案如下：
一种基于全局-局部SPP Net的高分辨SAR图像变化检测方法，包括如下步骤：
步骤1，从两幅配准后的同一地区不同时相的SAR图像中，选取部分有标签数据作为训练样本；
步骤2，将步骤1选取的训练样本归一化到[0，1]之间，记作X1；
步骤3，从X1中选择m组较大尺度的图像块送入局部大尺度SPP Net进行感兴趣区域检测训练，得到训练好的局部大尺度SPP Net，其中m为正整数；
步骤4，从X1中选择n组较小尺度的图像块送入局部小尺度SPP Net进行变化检测训练，得到训练好的局部小尺度SPP Net，其中n为正整数，n>m；
步骤5，从待检测地区任意选取a×b像素的图像作为测试数据送入训练好的局部大尺度SPP Net进行ROI测试，得到最终的ROI测试结果；
步骤6，将步骤5中得到的ROI检测结果送入训练好的局部小尺度SPP Net进行变化检测测试，得到最终的变化检测结果图。
所述步骤3包括如下步骤：
步骤3.1，从归一化后的训练样本X1中取m组图像块，通过这m组图像块构成基于图像块的输入矩阵X11、X12、……X1m，将这m组输入矩阵作为局部大尺度SPP Net的输入数据；
步骤3.2，选择一个由输入层→卷积层→最大池化层→卷积层→卷积层→空间金子塔池化层→全连接层→全连接层→softmax分类器组成的9层SPP Net；
步骤3.3，给定各层的特征映射图，确定卷积层的滤波器尺寸并随机初始化滤波器；
步骤3.4，将步骤3.1的输入数据送入局部大尺度SPP Net，训练局部大尺度SPPNet，获取局部大尺度SPP Net参数，得到训练好的局部大尺度SPP Net。
所述步骤3.3中，每层参数设置为：
对于第1层输入层，设置特征映射图数目为4；
对于第2层卷积层，设置特征映射图数目为8，设置滤波器尺寸为5；
对于第3层最大池化层，设置下采样尺寸为2；
对于第4层卷积层，设置特征映射图数目为8，设置滤波器尺寸为5；
对于第5层卷积层，设置特征映射图数目为16，设置滤波器尺寸为3；
对于第6层空间金子塔池化层，共设置3层，{1×1、2×2、3×3}；
对于第7层全连接层，设置特征映射图数目为128；
对于第8层全连接层，设置特征映射图数目为128；
对于第9层分类层，设置特征映射图数目为2。
所述步骤4包括如下步骤：
步骤4.1，从归一化后的样本X1中取n组图像块，通过这n组图像块构成基于图像块的输入矩阵X21、X22、X23、……、X2n，将这n组输入矩阵作为局部小尺度SPP Net的输入数据；
步骤4.2，选择由输入层→卷积层→卷积层→卷积层→空间金子塔池化层→全连接层→全连接层→softmax分类器组成的8层SPP Net；
步骤4.3，给定各层SPP Net的特征映射图，确定卷积层的滤波器尺寸并随机初始化滤波器；
步骤4.4，将步骤4.1的输入数据送入局部小尺度SPP Net，训练局部小尺度SPPNet，获取局部小尺度SPP Net参数，得到训练好的局部小尺度SPP Net。
所述步骤4.3中，每层参数设置为：
对于第1层输入层，设置特征映射图数目为4；
对于第2层卷积层，设置特征映射图数目为8，设置滤波器尺寸为3；
对于第3层卷积层，设置特征映射图数目为8，设置滤波器尺寸为3；
对于第4层卷积层，设置特征映射图数目为16，设置滤波器尺寸为3；
对于第5层空间金子塔池化层，共设置3层，{1×1、2×2、3×3}；
对于第6层全连接层，设置特征映射图数目为128；
对于第7层全连接层，设置特征映射图数目为128；
对于第8层分类层，设置特征映射图数目为2。
所述步骤5包括如下步骤：
步骤5.1，从待检测地区任意选取a×b像素的图像，并进行归一化处理，记作X2，从归一化后的样本X2中取m组图像块，通过这m组图像块构成基于图像块的输入矩阵X31、X32、……、X3m，将这m组输入矩阵作为局部大尺度SPP Net的测试数据；
步骤5.2，将步骤5.1的测试数据送入训练好的局部大尺度SPP Net，进行测试，并获取相应的m组检测结果；
步骤5.3，对步骤5.2的m组检测结果累计求和，得到heat map1；
步骤5.4，设定阈值T1，把heat map1超过T1的像素值置为255，否则置为0，从而得到最终的感兴趣区域检测结果。
所述步骤6包括如下步骤：
步骤6.1，从检测到的感兴趣区域选取n组图像块，通过这5组图像块构成基于图像块的输入矩阵X41、X42、X43、X44、……、X4n，将这n组输入矩阵作为局部小尺度SPP Net的输入数据；
步骤6.2，将步骤6.1的输入数据送入训练好的局部小尺度SPP Net，进行测试，并获取相应的n组检测结果；
步骤6.3，对步骤6.2的n组检测结果累计求和，得到heat map2；
步骤6.3，设定阈值T，把heat map2超过T的像素值置为255，否则置为0，从而得到最终的变化检测结果图。
本发明与现有的技术相比具有以下优点：
本发明融入了深度学习算法，无需产生差异图，通过全局-局部下的SPP Net对两幅图像进行特征学习，SPP Net作为全局网络贯穿于整体的检测过程，既实现了局部大尺度下的感兴趣区域检测，也实现了局部小尺度下的变化检测，并有效地提高了变化检测的准确率；仿真结果表明，本发明采用的基于全局-局部SPP Net的高分辨SAR图像变化检测方法，检测效果优良，PCC和Kappa系数较高。
【附图说明】
图1是本发明的实现流程图；
图2是本发明中局部大尺度SPP Net感兴趣区域检测的网络结构图；
图3是本发明中局部小尺度SPP Net变化检测的网络结构图；
图4(a)是本发明中第一组实验第一检测图；图4(b)是本发明中第一组实验第二检测图；图4(a)和图4(b)的拍摄时间分别是2009年4月6号和2009年9月7号，大小均为2000×2000；
图5(a)是对应图4(b)的GKI进行感兴趣区域检测，GKI针对感兴趣区域做变化检测)的变化检测结果图；
图5(b)是对应图4(b)的KCM进行感兴趣区域检测，GKI针对感兴趣区域做变化检测)的变化检测结果图；
图5(c)是对应图4(b)的SPP Net+GKI(SPP Net)进行感兴趣区域检测，GKI针对感兴趣区域做变化检测)的变化检测结果图；
图6(a)是对应图4(a)的本实验的ROI检测结果图；
图6(b)是对应图4(a)的本实验的变化检测结果图；
图7(a)是本发明中第二组实验第一检测图，图7(b)是本发明中第二组实验第二检测图；图7(a)和图7(b)的拍摄时间分别是2009年4月6号和2009年9月7号，大小均为2000×2000；
图8(a)是对应图7(b)的GKI的变化检测结果图；
图8(b)是对应图7(b)的FCM的变化检测结果图；
图8(c)是对应图7(a)的SPP Net+GKI的变化检测结果图；
图9(a)是对应图7(a)的本实验的ROI检测结果图；
图9(b)是对应图7(b)的本实验的变化检测结果图；
图10(a)是本发明中第三组仿真检测第一视图，图10(b)是本发明中第三组仿真检测第二视图；图10(a)和图10(b)的拍摄时间分别是2009年4月6号和2009年9月7号，大小均为2000×2000；
图11是对应图10(a)的参考图；
图12(a)是对应图10(a)的GKI变化检测结果图；
图12(b)是对应图10(a)的FCM变化检测结果图；
图12(c)是对应图10(a)的SPP Net+GKI变化检测结果图；
图13(a)是对应图10(a)的本实验的ROI检测结果图；
图13(b)是对应图10(a)的本实验的变化检测结果图。
【具体实施方式】
以下结合附图和实施例对本发明的实现步骤和实验效果作进一步详细描述：
实施例
参照图1，本发明的基于全局-局部SPP Net的高分辨SAR图像变化检测方法具体实现步骤如下：
步骤101：开始基于全局-局部SPP Net的高分辨SAR图像变化检测；
步骤102：从两幅配准后的同一地区不同时相的SAR图像中，选取部分有标签数据作为训练样本；
步骤103：将训练样本归一化到[0，1]之间，记作X1；
步骤104：从X1中选择3组较大尺度的图像块送入局部大尺度SPP Net进行感兴趣区域检测训练，得到训练好的局部大尺度SPP Net；
步骤105：从X1中选择5组较小尺度的图像块送入局部小尺度SPP Net进行变化检测训练，得到训练好的局部小尺度SPP Net；
步骤106：从待检测地区任意选取2000×2000的大图，作为测试数据送入局部大尺度SPP Net进行ROI测试，得到最终的ROI测试结果；
步骤107：将步骤106中得到的ROI检测结果送入局部小尺度SPP Net进行变化检测测试，得到最终的变化检测结果图。
所述的步骤104具体包括如下步骤：
步骤201：开始局部大尺度SPP Net感兴趣区域检测训练；
步骤202：从归一化后的样本X1中取50×50、55×55和60×60像素的图像块，共产生3组，通过这3组图像块构成基于图像块的输入矩阵X11、X12和X13，将这3个输入矩阵作为局部大尺度SPP Net的输入数据；
步骤203：选择一个由输入层→卷积层→最大池化层→卷积层→卷积层→空间金子塔池化层→全连接层→全连接层→softmax分类器组成的9层SPP Net；
步骤204：给定各层的特征映射图，确定卷积层的滤波器尺寸并随机初始化滤波器；
步骤205：将步骤202的输入数据送入局部大尺度SPP Net，训练局部大尺度SPPNet，获取局部大尺度SPP Net参数，得到训练好的局部大尺度SPP Net。
所述的步骤204中每层参数设置为：
对于第1层输入层，设置特征映射图数目为4；
对于第2层卷积层，设置特征映射图数目为8，设置滤波器尺寸为5；
对于第3层最大池化层，设置下采样尺寸为2；
对于第4层卷积层，设置特征映射图数目为8，设置滤波器尺寸为5；
对于第5层卷积层，设置特征映射图数目为16，设置滤波器尺寸为3；
对于第6层空间金子塔池化层，共设置3层，{1×1、2×2、3×3}；
对于第7层全连接层，设置特征映射图数目为128；
对于第8层全连接层，设置特征映射图数目为128；
对于第9层分类层，设置特征映射图数目为2。
所述的步骤105具体包括如下步骤：
步骤301：开始局部小尺度SPP Net变化检测训练；
步骤302：从归一化后的样本X1中取14×14、16×16、18×18、20×20和22×22像素的图像块，共产生5组，将这5组图像块构成基于图像块的输入矩阵X21、X22、X23、X24和X25，将这5组输入矩阵作为局部小尺度SPP Net的输入数据；
步骤303：选择一个由输入层→卷积层→卷积层→卷积层→空间金子塔池化层→全连接层→全连接层→softmax分类器组成的8层SPP Net；
步骤304：给定各层的特征映射图，确定卷积层的滤波器尺寸并随机初始化滤波器；
步骤305：将输入数据送入局部小尺度SPP Net，训练局部小尺度SPP Net，获取网络参数，得到训练好的局部小尺度SPP Net。
所述的步骤304，每层参数设置为：
对于第1层输入层，设置特征映射图数目为4；
对于第2层卷积层，设置特征映射图数目为8，设置滤波器尺寸为3；
对于第3层卷积层，设置特征映射图数目为8，设置滤波器尺寸为3；
对于第4层卷积层，设置特征映射图数目为16，设置滤波器尺寸为3；
对于第5层空间金子塔池化层，共设置3层，{1×1、2×2、3×3}；
对于第6层全连接层，设置特征映射图数目为128；
对于第7层全连接层，设置特征映射图数目为128；
对于第8层分类层，设置特征映射图数目为2。
所述的步骤106具体包括如下步骤：
步骤401：开始局部大尺度SPP Net感兴趣区域检测测试；
步骤402：从待检测地区任意选取2000×2000像素的图像，并进行归一化处理，记作X2，从归一化后的样本X2中取50×50、55×55和60×60像素的图像块，共产生3组，将这3组图像块构成基于图像块的输入矩阵X31、X32和X33，将这3组输入矩阵作为局部大尺度SPPNet的输入数据；
步骤403：将输入数据送入训练好的局部大尺度SPP Net，进行测试，并获取相应的3组检测结果；
步骤404：对3组检测结果累计求和，得到heat map1；
步骤405：设定阈值T1，把heat map1超过T1的像素值置为255，否则置为0，从而得到最终的感兴趣区域检测结果。
所述的步骤107，包括如下步骤：
步骤501：开始局部小尺度SPP Net变化检测测试；
步骤502：从检测到的感兴趣区域选取14×14、16×16、18×18、20×20和22×22像素的图像块，共产生5组，将这5组图像块构成基于图像块的输入矩阵X41、X42、X43、X44和X45，将这5组输入矩阵作为局部小尺度SPP Net的输入数据；
步骤503：将输入数据送入训练好的局部小尺度SPP Net，进行测试，并获取相应的5组检测结果；
步骤504：对5组检测结果累计求和，得到heat map2；
步骤505：设定阈值T2，把heat map2超过T2的像素值置为255，否则置为0，从而得到最终的变化检测结果。
如图2所示，通过本发明的方法，首先将归一化后的数据送入大尺度SPP Net ROI检测网络，先对输入数据进行卷积处理，卷积核大小为5×5，其次，对卷积后的结果进行窗口大小为2×2的池化操作，随后，再依次进行两次卷积，卷积核大小分别为5×5和3×3，将卷积后的结果送入金字塔池化层，池化后的结果展开拉伸成一个列向量，进行两层全连接，用于深层特征的提取，最后一层是分类器，实现最终的ROI和非ROI二分类任务。
如图3所示，通过本发明的方法，首先将归一化后的数据送入小尺度SPP Net变化检测网络，先对输入数据进行三次卷积处理，卷积核大小均为3×3，将卷积后的结果送入金字塔池化层，池化后的结果展开拉伸成一个列向量，进行两层全连接，用于深层特征的提取，最后一层是分类器，实现最终的变化类和未变化类的二分类任务。
本发明的效果可以通过以下仿真实验进一步说明：
1、仿真条件：
硬件平台为：Intel(R)Xeon(R)CPU E5-2630，2.40GHz*16，内存为64G。
软件平台为：Torch7。
2、仿真参数：
对于实验中有参考图的人为仿真图，可以进行定量的变化检测结果分析：
(1)计算漏检个数：统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化但实验结果图中检测为未变化的像素个数，称为漏检个数FN；
(2)计算错检个数：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为错检个数FP；
(3)计算真正未变化个数：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化且实验结果图中检测为未变化的像素个数，称为真正未变化个数TN；
(4)统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化且实验结果图中检测为变化的像素个数，称为真正变化个数TP；
(5)正确分类的概率PCC：PCC＝(TP+TN)/(TP+FP+TN+FN)；
(6)衡量检测结果图与参考图一致性地Kappa系数：Kappa＝(PCC-PRE)/(1-PRE)，其中：
PRE＝(TP+FP)×Nc+(FN+TN)×Nu/N2
这里，N表示总像素个数，Nc和Nu分别表示实际的变化像素数和未变化像素数。
3、仿真内容：
(1)本发明首先通过GKI、FCM、SPP Net+GKI对第一组实验检测图进行变化检测；
(2)然后通过本发明方法对第一组实验检测图进行变化检测；
(3)通过GKI、FCM、SPP Net+GKI对第二组实验检测图进行变化检测；
(4))基于本发明方法对第二组实验检测图进行变化检测；
(5)通过GKI、FCM、SPP Net+GKI对第三组仿真检测图进行变化检测，并根据参考图得到相关性能指标；
(6)基于本发明方法对第二组实验检测图进行变化检测，并根据参考图得到相关性能指标。
4、仿真实验结果及分析：
(1)反应纳米比亚地区变化面积相对较小的SAR图像如图4(a)～图4(b)所示，图4(a)和图4(b)的拍摄时间分别为2009年4月6号和2009年9月7号，大小均为2000×2000。
通过GKI进行变化检测的结果如图5(a)所示，FCM的检测结果如图5(b)所示，SPPNet+GKI的检测结果如图5(c)所示。采取本发明方法检测的结果如图6(a)至图6(b)所示。可见在变化区域较小的地区，采取本发明的方法，不仅可以较好地克服斑点噪声，减少噪声干扰，而且相比于SPP Net+GKI方法，本发明采用局部小尺度SPP Net进行变化检测，边缘信息更加清晰、流畅，检测结果较好。
(2)反应纳米比亚地区变化面积相对较大的SAR图像如图7(a)～图7(b)所示，图7(a)和图7(b)的拍摄时间分别为2009年4月6号和2009年9月7号，大小均为2000×2000。
通过GKI进行变化检测的结果如图8(a)所示，FCM的检测结果如图8(b)所示，SPPNet+GKI的检测结果如图8(c)所示。采取本发明方法检测的结果如图9(a)和图9(b)所示。可见在变化区域较大的地区，采取本发明的方法，仍然可以有效地减少噪声，鲁棒性较好，变化检测结果相对较高。
反应纳米比亚地区人工仿真的SAR图像如图10(a)和图10(b)所示，图10(a)和图10(b)的仿真时间分别为2009年4月6号和2009年9月7号，大小均为2000×2000。
图10(a)和图10(b)是人工生成图，因此在文中被称为仿真图，其背景取自原始拍摄图，而背景中的目标均为人工手动生成。因此，对于人工生成的仿真图是能够给出真实的参考图的，即图11的获取。
通过GKI进行变化检测的结果如图12(a)所示，FCM的检测结果如图12(b)所示，SPPNet+GKI的检测结果如图12(c)所示。采取本发明方法检测的结果如图13(a)和图13(b)所示。可见在人工生成的数据上，本发明方法的检测结果图更为清晰，噪声干扰小，边缘信息检测效果较好。每种方法的检测结果性能指标如表1所示，表1为4种方法进行变化检测的效果指标。
表1
从表1中可以看出，本发明方法的变化检测正确率以及Kappa值都比较理想，检测结果优良。
本实施例没有详细叙述的工艺和字母含义属于本行业的公知常识手段及公知技术，这里不一一详述。
Claims (5)
1.基于全局-局部SPP Net的高分辨SAR图像变化检测方法，其特征在于，包括如下步骤：
步骤1，从两幅配准后的同一地区不同时相的SAR图像中，选取部分有标签数据作为训练样本；
步骤2，将步骤1选取的训练样本归一化到[0，1]之间，记作X1；
步骤3，从X1中选择m组较大尺度的图像块送入局部大尺度SPP Net进行感兴趣区域检测训练，得到训练好的局部大尺度SPP Net，其中m为正整数；
步骤4，从X1中选择n组较小尺度的图像块送入局部小尺度SPP Net进行变化检测训练，得到训练好的局部小尺度SPP Net，其中n为正整数，n>m；
步骤5，从待检测地区任意选取a×b像素的图像作为测试数据送入训练好的局部大尺度SPP Net进行ROI测试，得到最终的ROI测试结果；
步骤6，将步骤5中得到的ROI检测结果送入训练好的局部小尺度SPP Net进行变化检测测试，得到最终的变化检测结果图；
所述步骤3包括如下步骤：
步骤3.1，从归一化后的训练样本X1中取m组图像块，通过这m组图像块构成基于图像块的输入矩阵X11、X12、……X1m，将这m组输入矩阵作为局部大尺度SPP Net的输入数据；
步骤3.2，选择一个由输入层→卷积层→最大池化层→卷积层→卷积层→空间金子塔池化层→全连接层→全连接层→softmax分类器组成的9层SPP Net；
步骤3.3，给定各层的特征映射图，确定卷积层的滤波器尺寸并随机初始化滤波器；
步骤3.4，将步骤3.1的输入数据送入局部大尺度SPP Net，训练局部大尺度SPP Net，获取局部大尺度SPP Net参数，得到训练好的局部大尺度SPP Net；
所述步骤3.3中，每层参数设置为：
对于第1层输入层，设置特征映射图数目为4；
对于第2层卷积层，设置特征映射图数目为8，设置滤波器尺寸为5；
对于第3层最大池化层，设置下采样尺寸为2；
对于第4层卷积层，设置特征映射图数目为8，设置滤波器尺寸为5；
对于第5层卷积层，设置特征映射图数目为16，设置滤波器尺寸为3；
对于第6层空间金子塔池化层，共设置3层，{1×1、2×2、3×3}；
对于第7层全连接层，设置特征映射图数目为128；
对于第8层全连接层，设置特征映射图数目为128；
对于第9层分类层，设置特征映射图数目为2。
2.根据权利要求1所述的图像变化检测方法，其特征在于，所述步骤4包括如下步骤：
步骤4.1，从归一化后的样本X1中取n组图像块，通过这n组图像块构成基于图像块的输入矩阵X21、X22、X23、……、X2n，将这n组输入矩阵作为局部小尺度SPP Net的输入数据；
步骤4.2，选择由输入层→卷积层→卷积层→卷积层→空间金子塔池化层→全连接层→全连接层→softmax分类器组成的8层SPP Net；
步骤4.3，给定各层SPP Net的特征映射图，确定卷积层的滤波器尺寸并随机初始化滤波器；
步骤4.4，将步骤4.1的输入数据送入局部小尺度SPP Net，训练局部小尺度SPP Net，获取局部小尺度SPP Net参数，得到训练好的局部小尺度SPP Net。
3.根据权利要求2所述的图像变化检测方法，其特征在于，所述步骤4.3中，每层参数设置为：
对于第1层输入层，设置特征映射图数目为4；
对于第2层卷积层，设置特征映射图数目为8，设置滤波器尺寸为3；
对于第3层卷积层，设置特征映射图数目为8，设置滤波器尺寸为3；
对于第4层卷积层，设置特征映射图数目为16，设置滤波器尺寸为3；
对于第5层空间金子塔池化层，共设置3层，{1×1、2×2、3×3}；
对于第6层全连接层，设置特征映射图数目为128；
对于第7层全连接层，设置特征映射图数目为128；
对于第8层分类层，设置特征映射图数目为2。
4.根据权利要求3所述的图像变化检测方法，其特征在于，所述步骤5包括如下步骤：
步骤5.1，从待检测地区任意选取a×b像素的图像，并进行归一化处理，记作X2，从归一化后的样本X2中取m组图像块，通过这m组图像块构成基于图像块的输入矩阵X31、X32、X33……X3m，将这m组输入矩阵作为局部大尺度SPP Net的测试数据；
步骤5.2，将步骤5.1的测试数据送入训练好的局部大尺度SPP Net，进行测试，并获取相应的m组检测结果；
步骤5.3，对步骤5.2的m组检测结果累计求和，得到heat map1；
步骤5.4，设定阈值T1，把heat map1超过T1的像素值置为255，否则置为0，从而得到最终的感兴趣区域检测结果。
5.根据权利要求1所述的图像变化检测方法，其特征在于，所述步骤6包括如下步骤：
步骤6.1，从检测到的感兴趣区域选取n组图像块，通过这n组图像块构成基于图像块的输入矩阵X41、X42、X43、X44、……、X4n，将这n组输入矩阵作为局部小尺度SPP Net的输入数据；
步骤6.2，将步骤6.1的输入数据送入训练好的局部小尺度SPP Net，进行测试，并获取相应的n组检测结果；
步骤6.3，对步骤6.2的n组检测结果累计求和，得到heat map2；
步骤6.3，设定阈值T，把heat map2超过T的像素值置为255，否则置为0，从而得到最终的变化检测结果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710548343.5A CN107341798B (zh) | 2017-07-06 | 2017-07-06 | 基于全局-局部SPP Net的高分辨SAR图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710548343.5A CN107341798B (zh) | 2017-07-06 | 2017-07-06 | 基于全局-局部SPP Net的高分辨SAR图像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107341798A CN107341798A (zh) | 2017-11-10 |
| CN107341798B true CN107341798B (zh) | 2019-12-03 |
Family
ID=60218951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710548343.5A Active CN107341798B (zh) | 2017-07-06 | 2017-07-06 | 基于全局-局部SPP Net的高分辨SAR图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107341798B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110993099B (zh) * | 2019-12-18 | 2020-11-03 | 山东大学齐鲁医院 | 基于深度学习的溃疡性结肠炎严重程度评估方法及系统 |
| CN116030014B (zh) * | 2023-01-06 | 2024-04-09 | 浙江伟众科技有限公司 | 空调软硬管的智能化加工方法及其系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679728B (zh) * | 2013-12-16 | 2016-09-14 | 中国科学院电子学研究所 | 一种复杂地形的sar图像的水域自动分割方法及装置 |
| WO2016054779A1 (en) * | 2014-10-09 | 2016-04-14 | Microsoft Technology Licensing, Llc | Spatial pyramid pooling networks for image processing |
| WO2016054778A1 (en) * | 2014-10-09 | 2016-04-14 | Microsoft Technology Licensing, Llc | Generic object detection in images |
| CN105989367B (zh) * | 2015-02-04 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 目标获取方法及设备 |
| CN105701508B (zh) * | 2016-01-12 | 2017-12-15 | 西安交通大学 | 基于多级卷积神经网络的全局‑局部优化模型及显著性检测算法 |
| CN105869146B (zh) * | 2016-03-22 | 2019-03-01 | 西安电子科技大学 | 基于显著性融合的sar图像变化检测方法 |
| CN106326893A (zh) * | 2016-08-25 | 2017-01-11 | 安徽水滴科技有限责任公司 | 一种基于区域辨别的车辆颜色识别方法 |
| CN106447658B (zh) * | 2016-09-26 | 2019-06-21 | 西北工业大学 | 基于全局和局部卷积网络的显著性目标检测方法 |
| CN106491083B (zh) * | 2016-10-11 | 2019-05-14 | 天津大学 | 用于脑状态监测的头戴式智能穿戴电极数量优化法及应用 |
| CN106611169B (zh) * | 2016-12-31 | 2018-10-23 | 中国科学技术大学 | 一种基于深度学习的危险驾驶行为实时检测方法 |
-
2017
- 2017-07-06 CN CN201710548343.5A patent/CN107341798B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107341798A (zh) | 2017-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416378B (zh) | 一种基于深度神经网络的大场景sar目标识别方法 | |
| CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
| CN105139023B (zh) | 一种基于多尺度特征融合和极限学习机的种子识别方法 | |
| Malof et al. | A deep convolutional neural network and a random forest classifier for solar photovoltaic array detection in aerial imagery | |
| CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
| CN106875380B (zh) | 一种基于无监督深度神经网络的异质图像变化检测方法 | |
| CN107230197B (zh) | 基于卫星云图和rvm的热带气旋客观定强方法 | |
| CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
| CN103824302B (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
| CN109523516A (zh) | 一种基于双重约束条件的对象级土地覆盖变化检测方法 | |
| CN104331686B (zh) | 一种土壤地表秸秆覆盖率人工辅助识别系统 | |
| CN110297041A (zh) | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 | |
| CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
| CN109614942A (zh) | 一种基于云计算平台的森林扰动长时间序列监测方法 | |
| CN107341798B (zh) | 基于全局-局部SPP Net的高分辨SAR图像变化检测方法 | |
| CN110110618A (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
| CN109165603A (zh) | 一种舰船检测方法及装置 | |
| CN116071424A (zh) | 基于单目视觉的果实空间坐标定位方法 | |
| CN109409285B (zh) | 基于重叠切片的遥感视频目标检测方法 | |
| CN107358625A (zh) | 基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法 | |
| CN111275680B (zh) | 基于Gabor卷积网络的SAR图像变化检测方法 | |
| CN112734695B (zh) | 基于区域增强卷积神经网络的sar图像变化检测方法 | |
| CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
| Xu et al. | The comparative study of three methods of remote sensing image change detection | |
| CN111696167A (zh) | 自范例学习引导的单张影像超分辨率重构方法 |
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 |