CN107358261A - 一种基于曲线波sae的高分辨sar图像变化检测方法 - Google Patents
一种基于曲线波sae的高分辨sar图像变化检测方法 Download PDFInfo
- Publication number
- CN107358261A CN107358261A CN201710571602.6A CN201710571602A CN107358261A CN 107358261 A CN107358261 A CN 107358261A CN 201710571602 A CN201710571602 A CN 201710571602A CN 107358261 A CN107358261 A CN 107358261A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- curve ripple
- change
- salient region
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Abstract
本发明公开了一种基于曲线波SAE的高分辨SAR图像变化检测方法,根据两幅配准后的同一地区不同时相的SAR图像构建训练数据集并进行归一化;构建三层堆栈自编码网络;从数据集中选择样本训练网络;得到显著性区域图;修改选择样本的尺寸大小和自编码网络每层神经元个数,得到两个尺度下的显著性区域,将这两个尺度下的显著性区域合并得到最终显著性区域,提取对应两幅图像的显著性区域;构建曲线波堆栈自编码网络;选择样本训练得到该尺度下变化检测结果图;得到多个尺度下的变化检测结果,并将这些变化检测结果通过阈值合并为最终的变化检测结果。本发明引入曲线波SAE的变化检测,在特征域作差异图,避免了SAR图像噪声干扰,提高了检测精度。
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,具体涉及一种基于曲线波SAE的高分辨SAR图像变化检测方法,可用于SAR图像的变化检测。
背景技术
基于遥感影像的变化检测,就是从不同时间获取的同一地理区域的多时相遥感影像中定性地或定量地分析和确定地表变化特征和过程的技术。由于变化检测技术可以检测出遥感影像的局部纹理变化信息以及辐射值,在资源和环境监测方面,可以检测出土地利用率以及土地覆盖状况、森林以及植被的覆盖率、城市的扩张状况等;在农业调查方面,它可以及时地更新地理空间数据,了解某一地理区域内农作物生长状况等;同时它对于自然灾害监测和估计、军事等领域也有着重要作用。
常用的经典SAR图像变化检测方法有(1)基于简单代数运算的变化检测,经典的变化检测方法包括图像差值法、图像比值法、对数比值法;(2)基于图像变换的变化检测,经典的变化检测方法包括主成分分析、变化向量分析法、相关分析法图像变换法;(3)基于图像分类的变化检测方法。
SAR影像变化检测研究在近年来得到了广泛的关注,国内外的诸多优秀团队对其进行了广泛而细致的研究。在经典变化检测算法的基础上,近年来出现的深度学习在SAR图像变化检测领域的研究,主要是通过一些标记的数据训练深度神经网络,在特征域对图像分析得到变化检测结果。
目前的SAR变化检测算法大部分为中低分辨率、象元级、单极化的SAR影像变化检测。随着SAR技术的日益成熟,图像质量逐渐提高,分辨率逐渐增强,获取数据的能力和精度越来越高,图像获取越来越便捷,SAR变化检测的前景更加广泛。
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,提供一种基于曲线波SAE的高分辨SAR图像变化检测方法,通过SAE的自学习自训练第一图像和第二图像获得显著性区域,再对显著性区域利用曲线波SAE在多个尺度下学习,获得最终变化检测结果,有效避免了SAR图像噪声影响,增大了可处理图像的尺寸,提高了检测精度。
本发明采用以下技术方案:
一种基于曲线波SAE的高分辨SAR图像变化检测方法,根据两幅配准后的同一地区不同时相的SAR图像构建训练数据集并进行归一化;构建三层堆栈自编码网络,从数据集中选择20%样本送入自编码网络中训练网络,将数据集送入训练好的自编码网络中得到显著性区域图,修改选择样本的尺寸大小和自编码网络每层神经元个数,得到两个尺度下的显著性区域,将这两个尺度下的显著性区域合并得到最终显著性区域,从最终显著性区域中提取对应第一图像和第二图像的显著性区域,选取训练数据集,构建曲线波堆栈自编码网络,从数据集中选择20%样本送入曲线波堆栈自编码网络中训练网络;将数据集送入训练好的曲线波堆栈自编码网络中得到该尺度下变化检测结果图;修改选择样本的尺寸大小和曲线波堆栈自编码网络中每层神经元个数,得到多个尺度下的变化检测结果,并将这些变化检测结果通过阈值合并为最终的变化检测结果。
进一步的,包括以下步骤:
S1、构造训练数据集D_s,通过滑窗的方式从两幅配准后的同一地区不同时相的SAR图像中取一定尺度的图像块作为训练数据集D_s;
S2、将数据集D_s归一化到[0,1]之间,记作N_s;
S3、构建三层堆栈自编码网络,将数据集N_s送入训练好的堆栈自编码网络中得到第一图像和第二图像的特征F_s1,F_s2;
S4、根据步骤S3中得到的F_s1和F_s2得到特征差异图Sf1,并对差异图通过阈值法确定合适的阈值分割差异图,得到该尺度下的显著性区域;
S5、改变构造训练集时滑窗大小和堆栈自编码网络中每层神经元个数,重复步骤S1-S4,得到不同尺度下的显著性区域,并综合这些尺度下的显著性区域得到最终的显著性区域S,并提取原始图像中对应的显著性区域S1、S2;
S6、构造训练数据集D_c,通过滑窗的方式从第一图像和第二图像显著性区域S1、S2中取一定尺度的图像块作为训练数据集D_c;
S7、构建曲线波堆栈自编码网络;
S8、根据步骤S7中得到的F_c2_1和F_c2_2得到特征差异图Sf2,并对差异图通过阈值法确定合适的阈值分割差异图,得到该尺度下的变化检测结果;
S9、改变构造训练集时滑窗大小和曲线波堆栈自编码网络中每层神经元个数,重复步骤S6-S8,得到多尺度下的变化检测结果,综合这些尺度的检测结果得到最终的变化检测结果C。
进一步的,步骤S1中,训练数据集D_s包括第一图像和第二图像的所有数据,其中前一半是第一图像的数据,后一半是第二图像的数据。
进一步的,步骤S3具体为:
S31、确定每一层的神经元个数,并随机初始化权重w和偏置b;
S32、将训练数据N_s送入堆栈自编码网络,采用逐层贪婪训练法进行训练,得到每一层权重w,b;
S33、将第一图像和第二图像分别送入训练好的网络,得到数据最深层特征表示F_s1,F_s2。
进一步的,每层损失函数如下:
其中,input为自编码网络中每层的输入,output为重构结果。
进一步的,步骤S4中,所述特征差异图Sf1如下:
Sf1=|F_s1|-|F_s2|
其中,F_s1,F_s2为第一图像和第二图像的特征。
进一步的,步骤S5中,设置滑窗大小为51×51,堆栈自编码网络中第一层特征数5202,第二层特征数2601,第三层特征数1301,重复步骤S1-S4,得到51尺度下的显著性区域图R2,取41和51两个尺度下的显著性区域的交叠区域作为最终显著性区域S,并提取原始图像中对应的显著性区域S1、S2。
进一步的,步骤S6中,所述训练数据集D_c中包括第一图像和第二图像的所有数据,其中前一半是显著性区域S1的数据,后一半是显著性区域S2的数据。
进一步的,步骤S7具体包括以下步骤:
S71、将训练数据集D_c送入曲线波层,得到数据的稀疏特征F_c1;
S72、将稀疏特征F_c1归一化到[0,1]之间,记作N_c;
S73、确定之后每一层的神经元个数,并随机初始化权重w和偏置b;
S74、将训练数据N_c送入曲线波堆栈自编码网络,采用逐层贪婪训练法进行训练,得到每一层权重w,b;
S75、将第一图像和第二图像分别送入训练好的网络,得到数据最深层特征表示F_c2_1和F_c2_2,作差得到特征差异图Sf2。
进一步的,步骤S9中,设置滑窗大小为21×21,曲线波堆栈自编码网络中第一层特征数450,第二层特征数225,第三层特征数113,重复步骤S6-S8,得到21尺度下的变化检测结果C2,设置滑窗大小为31×31,曲线波堆栈自编码网络中第一层特征数882,第二层特征数441,第三层特征数221,重复步骤S6-S8,得到31尺度下的变化检测结果C3。
与现有技术相比,本发明至少具有以下有益效果:
本发明基于曲线波SAE的高分辨SAR图像变化检测方法通过曲线波栈式自编码网络实现SAR图像变化检测,原始图像经过第一层曲线波层之后,得到了多尺度多方向下的稀疏特征,再将该特征送入之后的三层继续提取特征,得到图像的深层特征,图像的深层特征是图像更加抽象的表示,可以避免相同图像受不同噪声影响带来的差异,特征域上的差异更能反映真实图像的差异性,有利于变化检测结果的准确性。
进一步的,本发明利用曲线波SAE网络对图像显著性区域进行多尺度特征提取,大尺度下提取粗糙特征,小尺度下提取精细特征,并在特征域进行第一图像和第二图像差异性对比,得到变化检测结果。
进一步的,曲线波堆栈自编码器相比堆栈自编码器增加了曲线波层,曲线波层提取了原始图像多方向多尺度下的特征,该特征是原始图像的一种稀疏逼近,这种稀疏逼近的特征一方面更好的表示了原始图像,另一方面可以加速网络的收敛速度。
综上所述,本发明引入曲线波SAE的变化检测,在特征域作差异图,避免了SAR图像噪声干扰,提高了检测精度。
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为本发明的实现流程图;
图2为第一组实验仿真图,其中,(a)和(b)为不同拍摄时间示意图;
图3为图2的变化检测结果图;
图4为图2对比实验结果图,其中,(a)为均值比值生成差异图、KI阈值法分析差异图得到的变化检测结果图、(b)为均值比值生成差异图、GKI阈值法分析差异图得到的变化检测结果图、(c)为均值比值生成差异图、Kmeans聚类法分析差异图得到的变化检测结果图、(d)为SAE显著性检测方法得到的变化检测结果图;
图5为第二组实验仿真图,其中,(a)和(b)为不同拍摄时间示意图;
图6为图5的变化检测结果图;
图7为图5的对比实验结果图,其中,(a)表示均值比值生成差异图、KI阈值法分析差异图得到的变化检测结果图、(b)表示均值比值生成差异图、GKI阈值法分析差异图得到的变化检测结果图、(c)表示均值比值生成差异图、Kmeans聚类法分析差异图得到的变化检测结果图、(d)表示SAE显著性检测方法得到的变化检测结果图;
图8为第三组实验仿真图,其中,(a)和(b)为不同拍摄时间原始数据构造所得,(c)为变化检测参考图;
图9为图8的变化检测结果图;
图10为图8的对比实验结果图,其中,(a)表示均值比值生成差异图KI阈值法分析差异图得到的变化检测结果图、(b)表示均值比值生成差异图、GKI阈值法分析差异图得到的变化检测结果图、(c)表示均值比值生成差异图、Kmeans聚类法分析差异图得到的变化检测结果图、(d)表示SAE显著性检测方法得到的变化检测结果图。
具体实施方式
本发明提供了一种基于曲线波SAE的高分辨SAR图像变化检测方法,从两幅配准后的同一地区不同时相的SAR图像中取一定大小的图像块作为训练数据集D_s;将D_s归一化为N_s;构建三层堆栈自编码网络;从数据集N_s中选择20%样本送入自编码网络中训练网络;将数据集N_s送入训练好的自编码网络中得到显著性区域图R1;修改选择样本的尺寸大小和自编码网络每层神经元个数,得到两个尺度下的显著性区域,将这两个尺度下的显著性区域合并得到最终显著性区域S,根据S提取对应第一图像和第二图像的显著性区域S1、S2;从显著性区域S1、S2中选取训练数据集D_c;构建曲线波堆栈自编码网络;从数据集D_c中选择20%样本送入曲线波堆栈自编码网络中训练网络;将数据集D_c送入训练好的曲线波堆栈自编码网络中得到该尺度下变化检测结果图C1;修改选择样本的尺寸大小和曲线波堆栈自编码网络中每层神经元个数,得到多个尺度下的变化检测结果,并将这些变化检测结果通过阈值合并为最终的变化检测结果。
请参阅图1,本发明的具体步骤如下:
S1、构造训练数据集D_s,通过滑窗的方式从两幅配准后的同一地区不同时相的SAR图像中取一定尺度的图像块作为训练数据集D_s;图像块为41×41,所述训练数据集D_s中包括第一图像和第二图像的所有数据,其中前一半是第一图像的数据,后一半是第二图像的数据。
S2、对D_s进行归一化到[0,1],得到N_s。
常用的归一化方法有:线性缩放法、0均值标准化法。
采用线性缩放法,即先求出数据集D_s的最大值max(D_s);再将数据集D_s中的每个元素均除以最大值max(D_s),得到归一化后的数据集N_s。
S3、构建三层堆栈自编码网络:
S31、设置第一层特征数3362,第二层特征数1681,第三层特征数841;
S32、定义自编码网络中每层的输入为input,重构结果为output,定义损失函数如下:
将数据集N_s中选择部分样本送入到第一层网络中,通过最小化损失函数训练网络得到第一层特征;将得到的第一层特征作为输入数据送入到第二层网络中,同理得到第二层特征;将得到的第二层特征作为输入数据送入到第三层网络中,得到我们需要的最深层的特征。
S33、将数据集N_s1全部送入到步骤S32中训练好的堆栈自编码网络中,分别得到第一图像和第二图像的特征F_s1,F_s2;
S4、对步骤S3中得到的F_s1和F_s2依据公式<2>作差得到特征差异图Sf1:
Sf1=|F_s1|-|F_s2| (2)
在特征差异图上通过阈值法确定合适的阈值分割差异图,得到41尺度下的显著性区域图R1;
S5、设置滑窗大小为51×51,堆栈自编码网络中第一层特征数5202,第二层特征数2601,第三层特征数1301,重复步骤S1-S4,得到51尺度下的显著性区域图R2。
取41和51两个尺度下的显著性区域的交叠区域作为最终显著性区域S,并提取原始图像中对应的显著性区域S1、S2。
S6、构造训练数据集D_c,通过滑窗的方式从所述显著性区域S1、S2中取15×15的图像块作为训练数据集D_c;
训练数据集D_c中包括第一图像和第二图像的所有数据,其中前一半是显著性区域S1的数据,后一半是显著性区域S2的数据。
S7、构建曲线波堆栈自编码网络:
S71、将训练数据集D_c1送入曲线波层,经过曲线波层分解后取多个尺度下多个方向的特征,本发明中取第一个尺度作为数据集D_c1的稀疏特征F_c1。
S72、对F_c1进行归一化到[0,1],得到N_c1
S73、设置第一层特征数242,第二层特征数121,第三层特征数61;
S74、定义自编码网络中每层的输入为input,重构结果为output,定义损失函数为公式<1>,将数据据集N_c1中选择部分样本送入到第一层网络中,通过最小化损失函数训练网络得到第一层特征;将得到的第一层特征作为输入数据送入到第二层网络中,同理得到第二层特征;将得到的第二层特征作为输入数据送入到第三层网络中,得到我们需要的最深层的特征。
S75、将数据集N_c1全部送入到步骤S72训练好的自编码网络中,分别得到第一图像和第二图像的特征F_c2_1,F_c2_2;
S8、对步骤S7中得到的F_c2_1和F_c2_2依据公式<3>作差得到特征差异图Sf2:
Sf2=|F_c2_1|-|F_c2_2| (3)
在特征差异图Sf2上通过阈值法确定合适的阈值分割差异图,得到15尺度下的变化检测结果C1;
S9、根据多次实验经验设置滑窗大小为21×21,曲线波堆栈自编码网络中第一层特征数450,第二层特征数225,第三层特征数113,重复步骤S6-S8,得到21尺度下的变化检测结果C2;由于滑窗大小为21×21,输入到曲线波堆栈自编码网络曲线波层的大小即为441,曲线波层输出的大小为450,因此输入到第一层特征数即为450,之后为了提取抽象的稀疏特征,第二层第三层特征数根据经验设置小于450的值。
根据多次实验经验设置滑窗大小为31×31,曲线波堆栈自编码网络中第一层特征数882,第二层特征数441,第三层特征数221,重复步骤S6-S8,得到31尺度下的变化检测结果C3。由于滑窗大小为31×31,输入到曲线波堆栈自编码网络曲线波层的大小即为961,曲线波层输出的大小为882,因此输入到第一层特征数即为882,之后为了提取抽象的稀疏特征,第二层第三层特征数根据经验设置小于882的值。
选取合适的阈值合并C1、C2和C3三个尺度下的检测结果,得到最终的变化检测结果。
实施例:
1.仿真参数:
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:
a.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;
b.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像素个数,称为错检个数FP;
c.计算变化类正检个数:
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,把实验结果图和参考图中均为变化的像素个数,称为变化类正检个数TP;
d.计算未变化类正检个数:
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,把实验结果图中和参考图中均为未变化的像素个数,称为未变化类正检个数TN;
e.正确分类的概率PCC:PCC=(TP+TN)/(TP+FP+TN+FN)
f.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。
仿真条件:
硬件平台为:Intel(R)Xeon(R)CPU E5-2630,2.40GHz基于曲线波SAE的高分辨SAR图像变化检测方法16,内存为64G。
软件平台为:Tensorflow。
3.仿真内容与结果:
用本发明方法在上述仿真条件下进行实验。
①反应Namibia地区赞比西河流域变化第一图像,图2(a)和图2(b)的拍摄时间分别为2009年4月2009年9月,大小均为2000×2000。
图3为通过基于曲线波SAE的高分辨SAR变化检测结果图;图4(a)通过均值比值生成差异图、KI阈值法分析差异图所得的变化检测结果;图4(b)通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图;图4(c)通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果;图4(d)通过SAE显著性检测所得的变化检测结果。
其中,图4(a)至图4(c)由于在原图上通过均值比值法得到差异图,该差异图由于按像素级得到,受斑点噪声影响较大,使变化检测结果同样受噪声影响得到较多错检。图4(d)中采用特征域上基于块的变化检测,从实验结果图中可以看出明显减少了噪声影响。
图3中变化检测结果噪声点较少,细节保持相对完整,变化检测效果比较好。
②反应Namibia地区赞比西河流域变化第二图像,图5(a)和图5(b)的拍摄时间分别为2009年4月2009年9月,大小均为2000×2000。
图6为通过基于曲线波SAE的高分辨SAR变化检测结果图;图7(a)通过均值比值生成差异图、KI阈值法分析差异图所得的变化检测结果;图7(b)通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图;图7(c)通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果;图7(d)通过SAE显著性检测所得的变化检测结果。
其中,图7(a)至图7(c)由于在原图上通过均值比值法得到差异图,该差异图由于按像素级得到,受斑点噪声影响较大,使变化检测结果同样受噪声影响得到较多错检。图7(d)中采用特征域上基于块的变化检测,从实验结果图中可以看出明显减少了斑点噪声影响,但对于变化较小的部分检测不准。
图6中的变化检测结果噪声点较少,变化区域检测较为完整,变化检测效果比较好。
③该组实验数据从Namibia地区相对没有变化的区域中截取背景,在同一场景下截取的其他类别的地物作为变化区域放在其中一幅背景中所得,由于该实验为人工添加的变化区域,所以可以得到其正确类标,图8(a)和图8(b)为待检测两时相图,图8(c)为变化参考图。
图9为通过基于曲线波SAE的高分辨SAR变化检测结果图;图10(a)通过均值比值生成差异图、KI阈值法分析差异图所得的变化检测结果;图10(b)通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图;图10(c)通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果;
图10(d)通过SAE显著性检测所得的变化检测结果。图10(a)-图10(c)由于在原图上通过均值比值法得到差异图,该差异图由于按像素级得到,受斑点噪声影响较大,使变化检测结果同样受噪声影响得到较多错检。图10(d)中采用特征域上基于块的变化检测,从实验结果图中可以看出明显减少了斑点噪声影响。
图9中的变化区域内部和未变化区域内部检测效果都比较好,几乎没有噪声干扰,变化检测结果与参考图基本一致。表1为本发明方法与四种不同差异图分析方法所得变化检测图的效果指标。
表1四种已有方法和本发明变化检测的效果对比
MR_KI | MR_GKI | MR_FCM | Salient_FCM | 本发明 | |
PCC | 0.939 | 0.961 | 0.960 | 0.981 | 0.995 |
Kappa | 0.744 | 0.813 | 0.782 | 0.972 | 0.976 |
综上所述,本发明先通过SAE显著性检测提取显著性区域,再对显著性区域采用曲线波SAE学习变化类和未变化类特征,在特征域上根据第一图像和第二图像的差异得到最终的变化检测结果,该方法有效避免的SAR图像斑点噪声影响,增加了可检测图片尺寸,提高了检测精度。
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 (10)
1.一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,根据两幅配准后的同一地区不同时相的SAR图像构建训练数据集并进行归一化;构建三层堆栈自编码网络,从数据集中选择20%样本送入自编码网络中训练网络,将数据集送入训练好的自编码网络中得到显著性区域图,修改选择样本的尺寸大小和自编码网络每层神经元个数,得到两个尺度下的显著性区域,将这两个尺度下的显著性区域合并得到最终显著性区域,从最终显著性区域中提取对应第一图像和第二图像的显著性区域,选取训练数据集,构建曲线波堆栈自编码网络,从数据集中选择20%样本送入曲线波堆栈自编码网络中训练网络;将数据集送入训练好的曲线波堆栈自编码网络中得到该尺度下变化检测结果图;修改选择样本的尺寸大小和曲线波堆栈自编码网络中每层神经元个数,得到多个尺度下的变化检测结果,并将这些变化检测结果通过阈值合并为最终的变化检测结果。
2.根据权利要求1所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,包括以下步骤:
S1、构造训练数据集D_s,通过滑窗的方式从两幅配准后的同一地区不同时相的SAR图像中取一定尺度的图像块作为训练数据集D_s;
S2、将数据集D_s归一化到[0,1]之间,记作N_s;
S3、构建三层堆栈自编码网络,将数据集N_s送入训练好的堆栈自编码网络中得到第一图像和第二图像的特征F_s1,F_s2;
S4、根据步骤S3中得到的F_s1和F_s2得到特征差异图Sf1,并对差异图通过阈值法确定合适的阈值分割差异图,得到该尺度下的显著性区域;
S5、改变构造训练集时滑窗大小和堆栈自编码网络中每层神经元个数,重复步骤S1-S4,得到不同尺度下的显著性区域,并综合这些尺度下的显著性区域得到最终的显著性区域S,并提取原始图像中对应的显著性区域S1、S2;
S6、构造训练数据集D_c,通过滑窗的方式从第一图像和第二图像显著性区域S1、S2中取一定尺度的图像块作为训练数据集D_c;
S7、构建曲线波堆栈自编码网络;
S8、根据步骤S7中得到的F_c2_1和F_c2_2得到特征差异图Sf2,并对差异图通过阈值法确定合适的阈值分割差异图,得到该尺度下的变化检测结果;
S9、改变构造训练集时滑窗大小和曲线波堆栈自编码网络中每层神经元个数,重复步骤S6-S8,得到多尺度下的变化检测结果,综合这些尺度的检测结果得到最终的变化检测结果C。
3.根据权利要求2所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,步骤S1中,训练数据集D_s包括第一图像和第二图像的所有数据,其中前一半是第一图像的数据,后一半是第二图像的数据。
4.根据权利要求2所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,步骤S3具体为:
S31、确定每一层的神经元个数,并随机初始化权重w和偏置b;
S32、将训练数据N_s送入堆栈自编码网络,采用逐层贪婪训练法进行训练,得到每一层权重w,b;
S33、将第一图像和第二图像分别送入训练好的网络,得到数据最深层特征表示F_s1,F_s2。
5.根据权利要求4所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,每层损失函数如下:
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
<mo>&times;</mo>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<mo>&lsqb;</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mo>&times;</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mi>n</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>i</mi>
<mi>n</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中,input为自编码网络中每层的输入,output为重构结果。
6.根据权利要求2所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,步骤S4中,所述特征差异图Sf1如下:
Sf1=|F_s1|-|F_s2|
其中,F_s1,F_s2为第一图像和第二图像的特征。
7.根据权利要求2所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,步骤S5中,设置滑窗大小为51×51,堆栈自编码网络中第一层特征数5202,第二层特征数2601,第三层特征数1301,重复步骤S1-S4,得到51尺度下的显著性区域图R2,取41和51两个尺度下的显著性区域的交叠区域作为最终显著性区域S,并提取原始图像中对应的显著性区域S1、S2。
8.根据权利要求2所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,步骤S6中,所述训练数据集D_c中包括第一图像和第二图像的所有数据,其中前一半是显著性区域S1的数据,后一半是显著性区域S2的数据。
9.根据权利要求2所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,步骤S7具体包括以下步骤:
S71、将训练数据集D_c送入曲线波层,得到数据的稀疏特征F_c1;
S72、将稀疏特征F_c1归一化到[0,1]之间,记作N_c;
S73、确定之后每一层的神经元个数,并随机初始化权重w和偏置b;
S74、将训练数据N_c送入曲线波堆栈自编码网络,采用逐层贪婪训练法进行训练,得到每一层权重w,b;
S75、将第一图像和第二图像分别送入训练好的网络,得到数据最深层特征表示F_c2_1和F_c2_2,作差得到特征差异图Sf2。
10.根据权利要求2所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法,其特征在于,步骤S9中,设置滑窗大小为21×21,曲线波堆栈自编码网络中第一层特征数450,第二层特征数225,第三层特征数113,重复步骤S6-S8,得到21尺度下的变化检测结果C2,设置滑窗大小为31×31,曲线波堆栈自编码网络中第一层特征数882,第二层特征数441,第三层特征数221,重复步骤S6-S8,得到31尺度下的变化检测结果C3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710571602.6A CN107358261B (zh) | 2017-07-13 | 2017-07-13 | 一种基于曲线波sae的高分辨sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710571602.6A CN107358261B (zh) | 2017-07-13 | 2017-07-13 | 一种基于曲线波sae的高分辨sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358261A true CN107358261A (zh) | 2017-11-17 |
CN107358261B CN107358261B (zh) | 2020-05-01 |
Family
ID=60292907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710571602.6A Active CN107358261B (zh) | 2017-07-13 | 2017-07-13 | 一种基于曲线波sae的高分辨sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358261B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447057A (zh) * | 2018-04-02 | 2018-08-24 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105869146A (zh) * | 2016-03-22 | 2016-08-17 | 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 |
CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
-
2017
- 2017-07-13 CN CN201710571602.6A patent/CN107358261B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105869146A (zh) * | 2016-03-22 | 2016-08-17 | 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 |
CN106780485A (zh) * | 2017-01-12 | 2017-05-31 | 西安电子科技大学 | 基于超像素分割和特征学习的sar图像变化检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447057A (zh) * | 2018-04-02 | 2018-08-24 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
CN108447057B (zh) * | 2018-04-02 | 2021-11-30 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107358261B (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN103955926B (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
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 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN106919952A (zh) | 基于结构稀疏表示和内部聚类滤波的高光谱异常目标检测方法 | |
CN104751185B (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
CN107239795A (zh) | 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 | |
CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
CN103258324B (zh) | 基于可控核回归和超像素分割的遥感图像变化检测方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN107085708A (zh) | 基于多尺度分割和融合的高分辨率遥感图像变化检测方法 | |
CN105046241B (zh) | 基于rbm模型的目标级遥感图像变化检测方法 | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
CN107256409A (zh) | 基于sae和显著性检测的高分辨sar图像变化检测方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
CN103824302B (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
CN109191418A (zh) | 一种基于收缩自编码器特征学习的遥感图像变化检测方法 | |
CN107516082A (zh) | 基于自步学习的sar图像变化区域检测方法 | |
CN106097290A (zh) | 基于nmf图像融合的sar图像变化检测方法 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
CN105205807B (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 | |
CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的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 |