CN107358205A - 一种基于nsct dbn的极化sar影像变化检测方法 - Google Patents

一种基于nsct dbn的极化sar影像变化检测方法 Download PDF

Info

Publication number
CN107358205A
CN107358205A CN201710572138.2A CN201710572138A CN107358205A CN 107358205 A CN107358205 A CN 107358205A CN 201710572138 A CN201710572138 A CN 201710572138A CN 107358205 A CN107358205 A CN 107358205A
Authority
CN
China
Prior art keywords
polarization
dbn
nsct
image
remote sensing
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.)
Pending
Application number
CN201710572138.2A
Other languages
English (en)
Inventor
焦李成
屈嵘
李玉景
马晶晶
杨淑媛
侯彪
马文萍
刘芳
尚荣华
张向荣
张丹
唐旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710572138.2A priority Critical patent/CN107358205A/zh
Publication of CN107358205A publication Critical patent/CN107358205A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于NSCT DBN的极化SAR影像变化检测方法，输入两幅待检测的两时相极化SAR影像，进行预处理并对预处理后的两幅极化SAR影像提取相干极化矩阵的对角线元素，归一化特征矩阵构成基于图像块的特征矩阵，得到训练数据集和测试数据集，构造基于NSCT DBN的检测模型，用构造的数据集对分类模型进行训练，利用训练好的分类模型对待检测图像进行检测。本发明构造了一种新的NSCT DBN网络模型，以学习更好的深层特征，最终实现变化检测，该方法有效的实现了极化SAR影像变化检测，并使结果更加清晰，从而提高检测精度。

Description

一种基于NSCT DBN的极化SAR影像变化检测方法
技术领域
本发明属于图像处理领域，具体涉及一种基于NSCT DBN的极化SAR影像变化检测方法。
背景技术
极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，能获得目标更丰富的信息。极化SAR图像变化检测方法是一种通过对不同时期同一地点的极化SAR成像的比较分析，根据信息间的差异来获得同一地理位置不同时段地物信息变化的方法。近年来，极化合成孔径雷达SAR已成为遥感领域最先进的传感器之一。到目前为止，极化SAR变化检测在军事领域，民用领域等有广泛的应用。
相比于SAR图像，极化SAR图像包含的信息量更加丰富，能够更加完整的揭示目标的散射机理。由于极化SAR数据的复杂性等原因，针对极化SAR图像的变化检测研究相对缓慢。经典的极化SAR变化检测的主要流程为预处理、差异图提取、阈值分割、后处理和图像融合等，其中差异图提取与阈值分割最为核心。
极化SAR变化检测，其中比较经典的算法有：极化似然比变化检测算法，该算法的应用前提是地物目标的极化协方差矩阵满足Wishart分布，但实际地物散射特性较为复杂，有时很难满足该条件，因此算法通用性受到限制；基于极化距离变化检测算法，该算法是针对复杂场景下某一特定类地物的变化提出的；基于极化对比增强的变化检测算法利用极化对比度理论提高变化区域与不变区域的对比度，以此来获得更好的检测效果；基于联合加权极化差异度的变化检测算法，该算法无需知道图像的统计分布，通用性强。
这些极化SAR变化检测方法由于均没有考虑到极化SAR图像的多尺度、多方向、多分辨特性，因而对背景复杂的极化SAR图像难以得到较高的分类精度。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于NSCTDBN 的极化SAR影像变化检测方法，通过在深度置信网络层加入NSCT层和将冗余采样层，学习更好的多尺度特征，最终实现变化检测，能有效的实现极化SAR影像变化检测，并使结果更加清晰，从而提高变化的检测精度。
本发明采用以下技术方案：
一种基于NSCT DBN的极化SAR影像变化检测方法，输入两幅待检测的两时相极化SAR 影像，进行预处理并对预处理后的两幅极化SAR影像提取相干极化矩阵的对角线元素，归一化特征矩阵构成基于图像块的特征矩阵，得到训练数据集和测试数据集，构造基于NSCT DBN 的检测模型，用构造的数据集对分类模型进行训练，利用训练好的分类模型对待检测图像进行检测。
进一步的，包括以下步骤：
S1、输入待检测的两幅同一地区、不同时相极化SAR影像；
S2、配准、滤波、提取极化相干矩阵特征和归一化对所述SAR影像进行预处理；
S3、用归一化后的特征矩阵F1中每个元素取周围5*5的块代表原来的元素值，构成基于图像块的特征矩阵F3，构造训练数据集D和测试数据集T；
S4、构造基于NSCT DBN的检测模型，用构造的数据集对所述检测模型进行训练，得到训练好的模型；
S5、将待检测图像送入已经训练好的网络模型，训练好的检测模型的输出作为对待检测图像中每个像素点进行检测得到的检测类别。
进一步的，步骤S1中，所述极化SAR影像的图像大小为865×2000。
进一步的，步骤S2具体为，使用ENVI软件对两幅极化SAR影像进行配准，然后用精致Lee滤波对两幅极化SAR图像进行预处理，滤除极化合成孔径雷达SAR图像数据中的相干斑噪声，分别提取两幅滤波后的极化SAR影像的相干极化矩阵的对角线元素，并进行级联，构成基于像素点的特征矩阵F，将基于像素点的特征矩阵F中的元素值归一化到[0,1]之间，记作 F1。
进一步的，所述基于像素点的特征矩阵F的具体步骤如下：
S231、已知两幅待检测图像的极化相干矩阵TA和TB，由A时相的极化相干矩阵TA得到其对角线上的三个元素TA11、TA22、TA33，由B时相的极化相干矩阵TB得到其对角线上的三个元素TB11、TB22、TB33；
S232、定义一个大小为M1×M2×6的矩阵F，M1为待分类极化SAR图像的长，M2为待分类极化SAR图像的宽，将TA11、TA22、TA33，TB11、TB22、TB33进行级联，并赋给矩阵F，得到基于像素点的特征矩阵F。
进一步的，所述特征矩阵F如下：
F＝[TA11、TA22、TA33、TB11、TB22、TB33]
其中，TA11为极化相干矩阵TA第1行第1列的元素，TA22为极化相干矩阵TA第2行第2列的元素，TA33为极化相干矩阵TA第3行第3列的元素，TB11为极化相干矩阵TB第1行第1列的元素，TB22为极化相干矩阵TB第2行第2列的元素，TB33为极化相干矩阵TB第3 行第3列的元素。
进一步的，步骤S3中，构造训练数据集D和测试数据集T，具体步骤如下：
S321、将极化SAR影像变化检测当作未变化和变化两个分类问题；
S322、训练集D中包含变化类样本和未变化类的样本，从变化类样本中选取50％，从未变化的样本中选取4％，构成训练集数据集D；
S323、其余样本构成测试集数据集T。
进一步的，步骤S4中，所述基于NSCT DBN的检测模型包括输入层→NSCT层→降冗余稀疏采样层→第一DBN隐层→第二DBN隐层→softmax分类器。
进一步的，所述输入层的节点数设置为150，所述NSCT层的网络节点数为600，所述降冗余稀疏采样层的网络节点为100，所述第一DBN隐层的网络节点数为256，所述第二DBN隐层的网络节点数为64，所述softmax分类器的输出层为2。
与现有技术相比，本发明至少具有以下有益效果：
本发明基于NSCT DBN的极化SAR影像变化检测方法，输入两幅待检测的两时相极化 SAR影像，进行预处理并对预处理后的两幅极化SAR影像提取相干极化矩阵的对角线元素，归一化特征矩阵构成基于图像块的特征矩阵，得到训练数据集和测试数据集，构造基于NSCT DBN的检测模型，用构造的数据集对分类模型进行训练，利用训练好的分类模型对待检测图像进行检测，构造了一种新的NSCT DBN网络模型，以学习更好的深层特征，最终实现变化检测，采用NSCT DBN模型考虑到极化SAR图像数据的多尺度和多分辨信息，克服了现有技术中不能充分利用极化合成孔径雷达SAR影像数据的特征信息而导致的分类边缘模糊的不足，使得本发明可以充分利用极化合成孔径雷达SAR图像数据的多方向上的信息，使分类后的极化合成孔径雷达SAR图像的边缘更加清晰。
进一步的，NSCT层同时考虑到了有效的高频信息和低频信息，克服了现有技术检测精度低的不足，提高了本发明的检测精确度。
进一步的，采用降冗余采样层对多尺度和多分辨信息进行了降维处理，克服了现有技术对极化合成孔径雷达SAR图像数据输入维数特征高的不足，可有效地提高检测效率。
综上所述，本发明构造了一种新的NSCT DBN网络模型，以学习更好的深层特征，最终实现变化检测，该方法有效的实现了极化SAR影像变化检测，并使结果更加清晰，从而提高检测精度。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明检测方法的整体流程图；
图2为本发明极化SAR影像，其中，(a)和(b)为不同时间的极化SAR影像；
图3为本发明检测效果图，其中，(a)为对500*500待检测图像的检测效果图，(b)为基于DBN的变化检测方法对500*500待检测图像的检测效果图，(c)为基于块的变化检测方法对500*500待检测图像的检测效果图；
图4为本发明同一地区不同时相的两幅极化SAR图像的构造图，其中，(a)和(b)为不同时间的；
图5为本发明对待检测构造图像的效果图，其中，(a)为对待检测构造图像的groundtruth 标准图，(b)为对302*450待检测构造图像的检测结果图，(c)为基于DBN的变化检测方法对302*450待检测构造图像的检测效果图，(d)为基于块的变化检测方法对302*450待检测图像的检测效果图。
具体实施方式
本发明提供了一种基于NSCT DBN的极化SAR影像变化检测方法，输入两幅待检测的两时相极化SAR影像，对两幅待检测的两时相极化SAR影像进行配准和滤波等预处理，同时对预处理后的两幅极化SAR影像提取相干极化矩阵的对角线元素，归一化后，并对归一化后的特征矩阵中的每个元素取块，构成基于图像块的特征矩阵，得到训练数据集D和测试数据集T；构造基于NSCT DBN的检测模型；用构造的数据集对分类模型进行训练；利用训练好的分类模型对待检测图像进行检测。
请参阅图1，本发明的具体步骤如下：
S1、输入待检测的两幅同一地区、不同时相极化SAR影像
待检测的两幅极化SAR影像选用东京的ALOS传感器获取的L波段全极化数据，图像大小为865×2000。
S2、预处理
S21、配准：使用ENVI软件对两幅极化SAR影像进行配准，
S22、滤波：用精致Lee滤波对两幅极化SAR图像进行预处理，滤除极化合成孔径雷达 SAR图像数据中的相干斑噪声。
S23、提取极化相干矩阵特征。分别提取两幅滤波后的极化SAR影像的相干极化矩阵的对角线元素，并进行级联，构成基于像素点的特征矩阵F；其中得到基于像素点的特征矩阵F的具体步骤如下：
S231、已知两幅待检测图像的极化相干矩阵TA和TB，由A时相的极化相干矩阵TA得到其对角线上的三个元素TA11、TA22、TA33，即极化相干矩阵TA第1行第1列的元素、极化相干矩阵TA第2行第2列的元素、极化相干矩阵TA第3行第3列的元素；B时相的极化 SAR影像做同样的处理。即由B时相的极化相干矩阵TB得到其对角线上的三个元素TB11、 TB22、TB33，即极化相干矩阵TB第1行第1列的元素、极化相干矩阵TB第2行第2列的元素、极化相干矩阵TB第3行第3列的元素；
S232、定义一个大小为M1×M2×6的矩阵F，将TA11、TA22、TA33，TB11、TB22、TB33进行级联，并赋给矩阵F，得到基于像素点的特征矩阵F。其中M1为待分类极化SAR图像的长，M2为待分类极化SAR图像的宽。
F＝[TA11、TA22、TA33、TB11、TB22、TB33]。
S24、归一化。将基于像素点的特征矩阵F中的元素值归一化到[0,1]之间，记作F1；
S3、构造数据集
S31、用归一化后的特征矩阵F1中每个元素取周围5*5的块代表原来的元素值，构成基于图像块的特征矩阵F3；
S32、构造训练数据集D和测试数据集T，具体步骤如下：
S321、将极化SAR影像变化检测当作2分类问题(0：未变化，1：变化)；
S322、训练集D中包含变化类样本和未变化类的样本，由于变化类样本要远远小于未变化类样本，为平衡训练集中的变化样本和未变化样本，故而从变化类样本中选取50％，从未变化的样本中选取4％(相对于整个数据集，训练数据集D占9％)，以此来平衡两类样本数目，从而构成训练集数据集D；
S323、其余样本(包括变化类样本和未变化类样本)构成测试集数据集T。
S4、训练网络模型
S41、构造基于NSCT DBN的检测模型，模型如图2所示。具体步骤如下：
S411、引入NSCT层(非下采样轮廓波层)，提取数据的多尺度特征；
S412、引入降冗余稀疏采样层；
S413、构造NSCT DBN网络。
每层的参数如下：
对于第1层输入层，设置节点的数目为150(其中5*5*6＝150，5*5是取的块的大小，6是通道)；
取归一化后的特征矩阵F1中每个元素周围的5*5的块来代表原来的元素值作为输入，而特征矩阵F1是两幅极化SAR图像分别提取其极化相干矩阵的对角线元素联合后归一化得到的，即一个数据块有6个通道，所以特征矩阵F1的一个数据块就是5*5*6大小的，将其展开后得到150大小的向量，150是5*5*6的乘积得到的(5*5*6＝150)，所以输入节点设为150；
对于第2层NSCT层，设置网络节点数600；
在非下采样轮廓波层，一个通道的图像(5*5大小)对应得到1个相同大小的高频子带和3个相同大小的低频子带，输入数据为6通道的数据块，故而会得到6个相同大小的高频子带和18个相同大小的低频子带，共计24个相同大小的子带，将其拉成一列(24*5*5＝600)，得到节点数为600，所以此层设置的节点数为600，此层主要是得到数据的多尺度和多分辨特征，以提高最终的检测效果；
对于第3层降冗余稀疏采样层，设置网络节点100；
将得到的多尺度特征进行进一步处理，使得在保持良好特征的同时，提高网络模型学习的效率。
此层是将NSCT层的前后三个通道分别对应的3个高频子带分别做取最大值处理，得到2 个5*5的高频子带，相同通道相应的3个低频子带分别做平均化处理，得到6个5*5的低频子带(每个通道对应1个低频子带)，之后分别将前后三个通道分别对应的3个低频子带分别做取最大值处理，得到2个5*5的低频子带(其中，6个通道的数据块，前三个通道对应于第一幅极化SAR图像，后三个通道对应于第二幅极化SAR图像)，最终，将采样处理后得到的是 2个5*5大小的高频子带，2个5*5大小的低频子带，将其拉成向量形式(5*5*(2+2)＝100)，故而此层设置节点数为100。
对于第4层DBN隐层，设置网络节点数为256；
对于第5层DBN隐层，设置网络节点数为64；
对于第6层softmax分类器，设置输出层为2。
将变化检测问题看成2分类问题(变化类和未变化类)。
S42、用构造的数据集对检测模型进行训练，得到训练好的模型；
S5、输出
利用训练好的分类模型对待检测图像进行检测。将待检测图像送入已经训练好的网络模型，训练好的检测模型的输出作为对待检测图像中每个像素点进行检测得到的检测类别。
实施例：
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：theano。
2.仿真内容与结果：
请参阅图2至图5，其中，图2(a)为2006年4月拍摄的第一组仿真实验图，大小为500*500，是待检测的同一地区，第一时相的图像；图2(b)为2009年7月拍摄的第二组仿真实验图，大小为500*500，是待检测的同一地区，第二时相的图像。
用本发明方法在上述仿真条件下进行实验，实验中训练样本集占9％，其余作为测试样本，使用训练好的模型对待检测图像进行检测，得到如图3(a)，图5(b)的检测结果图。
图3(a)为本发明对500*500待检测图像的检测效果图，白色为变化部分，黑色为未变化的部分，NSCT DBN模型考虑到极化SAR图像数据的多尺度和多分辨信息，图3(b)为基于DBN的变化检测方法对500*500待检测图像的检测效果图，图3(c)为基于块的变化检测方法对500*500待检测图像的检测效果图；图3(a)比图3(b)和图3(c)的边界更清晰，杂点更少。
图4(a)由2006年4月拍摄的第一组仿真实验图构造而来的仿真实验图，大小为302*450；图4(b)由2009年7月拍摄的第二组仿真实验图构造而来的仿真实验图，大小为302*450；
图5(a)构造图groundtruth，真实类标，白色为变化部分，黑色为未变化的部分，图5 (b)为NSCT DBN变化检测结果图，白色为变化部分，黑色为未变化的部分，NSCT DBN模型考虑到极化SAR图像数据的多尺度和多分辨信息，比图3(b)和图3(c)的边界更清晰，杂点更少。图5(c)为DBN变化检测效果图，白色为变化部分，黑色为未变化的部分；图5 (d)为PPCD变化检测效果图，白色为变化部分，黑色为未变化的部分。从图3(a)、图5(b) 可以看出：检测结果的区域一致性较好，不同区域划分后的边缘也非常清晰，且保持了细节信息，检测结果中去除了许多细小的杂点，视觉效果更好。
结果下表所示：
表1
method PCC Kappa
PPCD 0.8857 0.3916
DBN 0.9692 0.8127
NSCT DBN 0.9701 0.8260
表1，可以看出本方法的检测精度相比于现有技术有所提高。
综上所述，本发明通过引入深度学习，结合图像多尺度特征表示，提取两时相极化SAR 影像的特征，有效提高了图像特征的表达能力，增强了模型的泛化能力，使得在训练样本较少的情况下仍可以达到很高的检测精度。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，输入两幅待检测的两时相极化SAR影像，进行预处理并对预处理后的两幅极化SAR影像提取相干极化矩阵的对角线元素，归一化特征矩阵构成基于图像块的特征矩阵，得到训练数据集和测试数据集，构造基于NSCT DBN的检测模型，用构造的数据集对分类模型进行训练，利用训练好的分类模型对待检测图像进行检测。
2.根据权利要求1所述的一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，包括以下步骤：
S1、输入待检测的两幅同一地区、不同时相极化SAR影像；
S2、配准、滤波、提取极化相干矩阵特征和归一化对所述SAR影像进行预处理；
S3、用归一化后的特征矩阵F1中每个元素取周围5*5的块代表原来的元素值，构成基于图像块的特征矩阵F3，构造训练数据集D和测试数据集T；
S4、构造基于NSCT DBN的检测模型，用构造的数据集对所述检测模型进行训练，得到训练好的模型；
S5、将待检测图像送入已经训练好的网络模型，训练好的检测模型的输出作为对待检测图像中每个像素点进行检测得到的检测类别。
3.根据权利要求2所述的一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，步骤S1中，所述极化SAR影像的图像大小为865×2000。
4.根据权利要求2所述的一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，步骤S2具体为，使用ENVI软件对两幅极化SAR影像进行配准，然后用精致Lee滤波对两幅极化SAR图像进行预处理，滤除极化合成孔径雷达SAR图像数据中的相干斑噪声，分别提取两幅滤波后的极化SAR影像的相干极化矩阵的对角线元素，并进行级联，构成基于像素点的特征矩阵F，将基于像素点的特征矩阵F中的元素值归一化到[0,1]之间，记作F1。
5.根据权利要求4所述的一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，所述基于像素点的特征矩阵F的具体步骤如下：
S231、已知两幅待检测图像的极化相干矩阵TA和TB，由A时相的极化相干矩阵TA得到其对角线上的三个元素TA11、TA22、TA33，由B时相的极化相干矩阵TB得到其对角线上的三个元素TB11、TB22、TB33；
S232、定义一个大小为M1×M2×6的矩阵F，M1为待分类极化SAR图像的长，M2为待分类极化SAR图像的宽，将TA11、TA22、TA33，TB11、TB22、TB33进行级联，并赋给矩阵F，得到基于像素点的特征矩阵F。
6.根据权利要求5所述的一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，所述特征矩阵F如下：
F＝[TA11、TA22、TA33、TB11、TB22、TB33]
其中，TA11为极化相干矩阵TA第1行第1列的元素，TA22为极化相干矩阵TA第2行第2列的元素，TA33为极化相干矩阵TA第3行第3列的元素，TB11为极化相干矩阵TB第1行第1列的元素，TB22为极化相干矩阵TB第2行第2列的元素，TB33为极化相干矩阵TB第3行第3列的元素。
7.根据权利要求2所述的一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，步骤S3中，构造训练数据集D和测试数据集T，具体步骤如下：
S321、将极化SAR影像变化检测当作未变化和变化两个分类问题；
S322、训练集D中包含变化类样本和未变化类的样本，从变化类样本中选取50％，从未变化的样本中选取4％，构成训练集数据集D；
S323、其余样本构成测试集数据集T。
8.根据权利要求2所述的一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，步骤S4中，所述基于NSCT DBN的检测模型包括输入层→NSCT层→降冗余稀疏采样层→第一DBN隐层→第二DBN隐层→softmax分类器。
9.根据权利要求8所述的一种基于NSCT DBN的极化SAR影像变化检测方法，其特征在于，所述输入层的节点数设置为150，所述NSCT层的网络节点数为600，所述降冗余稀疏采样层的网络节点为100，所述第一DBN隐层的网络节点数为256，所述第二DBN隐层的网络节点数为64，所述softmax分类器的输出层为2。
CN201710572138.2A 2017-07-13 2017-07-13 一种基于nsct dbn的极化sar影像变化检测方法 Pending CN107358205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710572138.2A CN107358205A (zh) 2017-07-13 2017-07-13 一种基于nsct dbn的极化sar影像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710572138.2A CN107358205A (zh) 2017-07-13 2017-07-13 一种基于nsct dbn的极化sar影像变化检测方法

Publications (1)

Publication Number Publication Date
CN107358205A true CN107358205A (zh) 2017-11-17

Family

ID=60293346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710572138.2A Pending CN107358205A (zh) 2017-07-13 2017-07-13 一种基于nsct dbn的极化sar影像变化检测方法

Country Status (1)

Country Link
CN (1) CN107358205A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482617A (zh) * 2009-01-16 2009-07-15 西安电子科技大学 基于非下采样轮廓波的合成孔径雷达图像去噪方法
US20110007948A1 (en) * 2004-04-02 2011-01-13 The Boeing Company System and method for automatic stereo measurement of a point of interest in a scene
US20110164785A1 (en) * 2004-12-15 2011-07-07 David Yonovitz Tunable wavelet target extraction preprocessor system
CN103400383A (zh) * 2013-07-22 2013-11-20 西安电子科技大学 基于nsct和压缩投影的sar图像变化检测方法
CN103473559A (zh) * 2013-09-08 2013-12-25 西安电子科技大学 基于nsct域合成核的sar图像变化检测方法
CN104517284A (zh) * 2014-09-29 2015-04-15 西安电子科技大学 基于深度置信网的极化sar图像分割
CN104680182A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于nsct和判别字典学习的极化sar分类方法
CN105809198A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度置信网络的sar图像目标识别方法
CN105868793A (zh) * 2016-04-18 2016-08-17 西安电子科技大学 基于多尺度深度滤波器的极化sar图像分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110007948A1 (en) * 2004-04-02 2011-01-13 The Boeing Company System and method for automatic stereo measurement of a point of interest in a scene
US20110164785A1 (en) * 2004-12-15 2011-07-07 David Yonovitz Tunable wavelet target extraction preprocessor system
CN101482617A (zh) * 2009-01-16 2009-07-15 西安电子科技大学 基于非下采样轮廓波的合成孔径雷达图像去噪方法
CN103400383A (zh) * 2013-07-22 2013-11-20 西安电子科技大学 基于nsct和压缩投影的sar图像变化检测方法
CN103473559A (zh) * 2013-09-08 2013-12-25 西安电子科技大学 基于nsct域合成核的sar图像变化检测方法
CN104517284A (zh) * 2014-09-29 2015-04-15 西安电子科技大学 基于深度置信网的极化sar图像分割
CN104680182A (zh) * 2015-03-09 2015-06-03 西安电子科技大学 基于nsct和判别字典学习的极化sar分类方法
CN105809198A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度置信网络的sar图像目标识别方法
CN105868793A (zh) * 2016-04-18 2016-08-17 西安电子科技大学 基于多尺度深度滤波器的极化sar图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨晓慧 等: ""非下采样Contourlet域GCV准则SAR图像去噪"", 《计算机应用研究》 *

Similar Documents

Publication Publication Date Title
CN111080629B (zh) 一种图像拼接篡改的检测方法
CN107563428B (zh) 基于生成对抗网络的极化sar图像分类方法
CN104008538B (zh) 基于单张图像超分辨率方法
CN107944370B (zh) 基于dccgan模型的极化sar图像分类方法
CN103971115B (zh) 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法
CN104951799B (zh) 一种sar遥感影像溢油检测识别方法
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
CN108460342A (zh) 基于卷积网和循环神经网络的高光谱图像分类方法
CN106462771A (zh) 一种3d图像的显著性检测方法
CN107194872A (zh) 基于内容感知深度学习网络的遥感图像超分辨率重建方法
CN106780485A (zh) 基于超像素分割和特征学习的sar图像变化检测方法
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN107229918A (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN105844279A (zh) 基于深度学习和sift特征的sar图像变化检测方法
CN108257151B (zh) 基于显著性分析的PCANet图像变化检测方法
CN107590515A (zh) 基于熵率超像素分割的自编码器的高光谱图像分类方法
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN105335975B (zh) 基于低秩分解和直方图统计的极化sar图像分割方法
CN105894018B (zh) 基于深度多示例学习的极化sar图像分类方法
CN104616294A (zh) 一种基于视觉显著性的色调映射图像质量评价方法
CN108492298A (zh) 基于生成对抗网络的多光谱图像变化检测方法
CN103745453B (zh) 基于Google Earth遥感影像的城镇信息提取方法
CN107944470A (zh) 基于轮廓波fcn‑crf的sar图像分类方法
CN104408731B (zh) 基于区域图和统计相似性编码的sar图像分割方法
Liang et al. Maximum likelihood classification of soil remote sensing image based on deep learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171117

RJ01 Rejection of invention patent application after publication