CN107358625A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN107358625A
CN107358625A CN201710439717.XA CN201710439717A CN107358625A CN 107358625 A CN107358625 A CN 107358625A CN 201710439717 A CN201710439717 A CN 201710439717A CN 107358625 A CN107358625 A CN 107358625A
Authority
CN
China
Prior art keywords
mrow
msub
area
detection
image
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
Application number
CN201710439717.XA
Other languages
English (en)
Other versions
CN107358625B (zh
Inventor
焦李成
屈嵘
杨争艳
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 CN201710439717.XA priority Critical patent/CN107358625B/zh
Publication of CN107358625A publication Critical patent/CN107358625A/zh
Application granted granted Critical
Publication of CN107358625B publication Critical patent/CN107358625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • 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]

Abstract

本发明公开了一种基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，包括以下步骤：1)获取两幅配准后同一地区不同时相的SAR图像，然后从两幅配准后同一地区不同时相的SAR图像选取若干有标签数据，并将选取出来的有标签数据作为训练样本；2)将训练样本归一化到[0，1]之间，并将归一化的结果记作样本X；3)得到训练好的SPP Net感兴趣区域检测网络；4)得最终的感兴趣区域；5)得两幅经过感兴趣检测后SAR图像I1及I2；6)通过基于图像块的GKI对经步骤5)得到的两幅经过感兴趣检测后SAR图像I1及I2进行变化检测，得最终的变化检测结果图，该方法实现大规模、高分辨SAR图像的变化检测，并且变化检测精度较高。

Description

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
技术领域
本发明属于深度学习与遥感图像处理领域，涉及一种基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法。
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
本发明的目的在于克服上述现有技术的缺点，提供了一种基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，该方法实现大规模、高分辨SAR图像的变化检测，并且变化检测精度较高。
为达到上述目的，本发明所述的基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法包括以下步骤：
1)获取两幅配准后同一地区不同时相的SAR图像，然后从两幅配准后同一地区不同时相的SAR图像选取若干有标签数据，并将选取出来的有标签数据作为训练样本；
2)将训练样本归一化到[0，1]之间，并将归一化的结果记作样本X；
3)从样本X中选择不同尺度的图像块，并将选择出来的不同尺度的图像块输入到SPP Net感兴趣区域检测网络中进行感兴趣区域检测训练，得到训练好的SPP Net感兴趣区域检测网络；
4)从待检测地区选取两幅尺寸为2000×2000的图像，并将选取出来的两幅尺寸为2000×2000的图像作为测试数据送入SPP Net感兴趣区域检测网络进行感兴趣测试，得最终的感兴趣区域；
5)将步骤4)中得到的最终的感兴趣区域对应的位置映射到对应尺寸为2000×2000的图像，并将所述尺寸为2000×2000的图像中的非感兴趣区域的像素值设置为0，得两幅经过感兴趣检测后SAR图像I1及I2；
6)通过基于图像块的GKI对经步骤5)得到的两幅经过感兴趣检测后SAR图像I1及I2进行变化检测，得最终的变化检测结果图，完成基于SPP Net感兴趣区域检测的高分辨SAR图像变化检测。
步骤3)的具体操作为：
3a)从样本X1中取50×50的图像块、55×55的图像块、60×60的图像块，然后通过50×50的图像块、55×55的图像块及60×60的图像块构成基于图像块的输入矩阵X11、X12及X13；
3b)选择SPP Net感兴趣区域检测网络，其中，SPP Net感兴趣区域检测网络由依次相连接的输入层、第一卷积层、最大池化层、第二卷积层、第三卷积层、空间金子塔池化层、第一全连接层、第二全连接层及softmax分类器组成；
3c)给定SPP Net感兴趣区域检测网络各层的特征映射图，确定第一卷积层、第二卷积层及第三卷积层的滤波器尺寸，并随机初始化第一卷积层、第二卷积层及第三卷积层的滤波器；
3d)将所述基于图像块的输入矩阵X11、X12及X13输入到SPP Net感兴趣区域检测网络中，获取SPP Net感兴趣区域检测网络的网络参数，得到训练好的SPP Net感兴趣区域检测网络。
步骤4)的具体操作为：
4a)从待检测地区选取尺寸为2000×2000的图像，再对尺寸为2000×2000的图像进行归一化处理，从归一化后的尺寸为2000×2000的图像中选取50×50的图像块、55×55的图像块及60×60的图像块，然后根据50×50的图像块、55×55的图像块及60×60的图像块构建基于图像块的输入矩阵X21、X22及X23；
4b)将基于图像块的输入矩阵X21、X22及X23输入到训练好的SPP Net感兴趣区域检测网络，获取相应的3组检测结果；
4c)对步骤4b)得到的3组检测结果累计求和，得heat map1；
4d)设定阈值T1，将heat map1大于阈值T1的像素值置为255，将heat map1小于等于阈值T1的像素值置为0。
步骤6)的具体操作为：
6a)对两幅经过感兴趣检测后SAR图像I1及I2做均值比值差异图DI(x)，其中，
其中，It(x)为第t时相的灰度值；
6b)将均值比值差异图DI(x)修改为基于结构块的形式，得到改进后的均值比值差异图DI*(x)，其中，
其中，Ωx为以位置x为中心的邻域，It(x)为第t时相的灰度值；
6c)根据步骤6b)得到的改进后的均值比值差异图DI*(x)得到直方图h(XL)；
6d)设最小化代价函数得阈值T2；
其中，
对于给定的灰度值和具体阈值T，P(wiXi,T)(i＝u,c)表示变化类及未变化类的后验概率，其中，
其中上式的解析表达式为：
则广义高斯假设下的代价函数被优化为：
6e)将改进后的差异图DI*(x)中像素超过阈值T2的像素点置为255，将改进后的差异图DI*(x)中像素不超过阈值T2的像素点置为0。
步骤3b)中输入层的特征映射图数目为4，第一卷积层的特征映射图数目为8，第一卷积层的滤波器尺寸为5，最大池化层的下采样尺寸为2，第二卷积层的特征映射图数目为8，第二卷积层的滤波器尺寸为5，第三卷积层的特征映射图数目为16，第三卷积层的置滤波器尺寸为3，空间金子塔池化层包括三层，第一全连接层的特征映射图数目为128，第二全连接层的特征映射图数目为2。
本发明具有以下有益效果：
本发明所述的基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法在具体操作时，通过两幅配准后同一地区不同时相的SAR图像得到训练好的SPP Net感兴趣区域检测网络，然后再通过SPP Net感兴趣区域检测网络提取待检测地区中选取的2000×2000图像的感兴趣区域，实现感兴趣区域的较好提取，从而有效的提高变化检测的准确率，同时满足大规模、高分辨SAR图像的变化检测，另外，本发明通过基于图像块的GKI对经步骤5)得到的两幅经过感兴趣检测后SAR图像I1及I2进行变化检测，从而减少相干斑噪声的影响，经仿真表明，本发明检测效果优良，PCC系数及Kappa系数较高。
附图说明
图1为本发明的实现流程图；
图2为本发明中SPP Net的网络结构图；
图3a为拍摄于2009年4月6日大小为2000×2000的图像；
图3b为拍摄于2009年9月7日大小为2000×2000的图像；
图4a为图3a与图3b的KI变化检测结果图；
图4b为图3a与图3b的GKI变化检测结果图；
图4c为图3a与图3b的K-means变化检测结果图；
图4d为图3a与图3b的KCM变化检测结果图；
图5a为图3a与图3b的ROI检测结果图；
图5b为图3a与图3b的变化检测结果图；
图6a为拍摄于2009年4月6日、图像大小为2000×2000的图像；
图6b为拍摄于2009年9月7日、图像大小为2000×2000的图像；
图7a为图6a与图6b的KI变化检测结果图；
图7b为图6a与图6b的GKI变化检测结果图；
图7c为图6a与图6b的K-means变化检测结果图；
图7d为图6a与图6b的FCM变化检测结果图；
图8a为图6a与图6b的ROI检测结果图；
图8b为图6a与图6b的变化检测结果图；
图9a为拍摄于2009年4月6日、图像大小为2000×2000的图像；
图9b为拍摄于2009年9月7日、图像大小为2000×2000的图像；
图10为图9a的参考图；
图11a为图9a与图9b的KI变化检测结果图；
图11b为图9a与图9b的GKI变化检测结果图；
图11c为图9a与图9b的K-means变化检测结果图；
图11d为图9a与图9b的FCM变化检测结果图；
图12a为图9a与图9b的ROI检测结果图；
图12b为图9a与图9b的变化检测结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明所述的基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法包括以下步骤：
1)获取两幅配准后同一地区不同时相的SAR图像，然后从两幅配准后同一地区不同时相的SAR图像选取若干有标签数据，并将选取出来的有标签数据作为训练样本；
2)将训练样本归一化到[0，1]之间，并将归一化的结果记作样本X；
3)从样本X中选择不同尺度的图像块，并将选择出来的不同尺度的图像块输入到SPP Net感兴趣区域检测网络中进行感兴趣区域检测训练，得到训练好的SPP Net感兴趣区域检测网络；
步骤3)的具体操作为：
3a)从样本X1中取50×50的图像块、55×55的图像块、60×60的图像块，然后通过50×50的图像块、55×55的图像块及60×60的图像块构成基于图像块的输入矩阵X11、X12及X13；
3b)选择SPP Net感兴趣区域检测网络，其中，SPP Net感兴趣区域检测网络由依次相连接的输入层、第一卷积层、最大池化层、第二卷积层、第三卷积层、空间金子塔池化层、第一全连接层、第二全连接层及softmax分类器组成；步骤3b)中输入层的特征映射图数目为4，第一卷积层的特征映射图数目为8，第一卷积层的滤波器尺寸为5，最大池化层的下采样尺寸为2，第二卷积层的特征映射图数目为8，第二卷积层的滤波器尺寸为5，第三卷积层的特征映射图数目为16，第三卷积层的置滤波器尺寸为3，空间金子塔池化层包括三层，第一全连接层的特征映射图数目为128，第二全连接层的特征映射图数目为2。
3c)给定SPP Net感兴趣区域检测网络各层的特征映射图，确定第一卷积层、第二卷积层及第三卷积层的滤波器尺寸，并随机初始化第一卷积层、第二卷积层及第三卷积层的滤波器；
3d)将所述基于图像块的输入矩阵X11、X12及X13输入到SPP Net感兴趣区域检测网络中，获取SPP Net感兴趣区域检测网络的网络参数，得到训练好的SPP Net感兴趣区域检测网络。
4)从待检测地区选取两幅尺寸为2000×2000的图像，并将选取出来的两幅尺寸为2000×2000的图像作为测试数据送入SPP Net感兴趣区域检测网络进行感兴趣测试，得最终的感兴趣区域；
步骤4)的具体操作为：
4a)从待检测地区选取尺寸为2000×2000的图像，再对尺寸为2000×2000的图像进行归一化处理，从归一化后的尺寸为2000×2000的图像中选取50×50的图像块、55×55的图像块及60×60的图像块，然后根据50×50的图像块、55×55的图像块及60×60的图像块构建基于图像块的输入矩阵X21、X22及X23；
4b)将基于图像块的输入矩阵X21、X22及X23输入到训练好的SPP Net感兴趣区域检测网络，获取相应的3组检测结果；
4c)对步骤4b)得到的3组检测结果累计求和，得heat map1；
4d)设定阈值T1，将heat map1大于阈值T1的像素值置为255，将heat map1小于等于阈值T1的像素值置为0。
5)将步骤4)中得到的最终的感兴趣区域对应的位置映射到对应尺寸为2000×2000的图像，并将所述尺寸为2000×2000的图像中的非感兴趣区域的像素值设置为0，得两幅经过感兴趣检测后SAR图像I1及I2；
6)通过基于图像块的GKI对经步骤5)得到的两幅经过感兴趣检测后SAR图像I1及I2进行变化检测，得最终的变化检测结果图，完成基于SPP Net感兴趣区域检测的高分辨SAR图像变化检测。
步骤6)的具体操作为：
6a)对两幅经过感兴趣检测后SAR图像I1及I2做均值比值差异图DI(x)，其中，
其中，It(x)为第t时相的灰度值；
6b)将均值比值差异图DI(x)修改为基于结构块的形式，得到改进后的均值比值差异图DI*(x)，其中，
其中，Ωx为以位置x为中心的邻域，It(x)为第t时相的灰度值；
6c)根据步骤6b)得到的改进后的均值比值差异图DI*(x)得到直方图h(XL)；
6d)设最小化代价函数得阈值T2；
其中，
对于给定的灰度值和具体阈值T，P(wiXi,T)(i＝u,c)表示变化类及未变化类的后验概率，其中，
其中上式的解析表达式为：
则广义高斯假设下的代价函数被优化为：
6e)将改进后的差异图DI*(x)中像素超过阈值T2的像素点置为255，将改进后的差异图DI*(x)中像素不超过阈值T2的像素点置为0。
仿真实验
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。
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)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地Kappa系数：Kappa＝(PCC-PRE)/(1-PRE)，其中，
PRE＝(TP+FP)×Nc+(FN+TN)×Nu/N2
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。
仿真内容：
1)本发明首先通过KI、GKI、K-means、FCM对第一组实验检测图进行变化检测；2)然后通过基于SPP Net感兴趣区域检测的高分辨SAR图像变化检测对第一组实验检测图进行变化检测；3)通过KI、GKI、K-means、FCM对第二组实验检测图进行变化检测；4)通过基于SPPNet感兴趣区域检测的高分辨SAR图像变化检测对第二组实验检测图进行变化检测；5)通过KI、GKI、K-means、FCM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)通过基于SPP Net感兴趣区域检测的高分辨SAR图像变化检测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。
仿真实验结果及分析：
反应纳米比亚地区变化面积相对较小的SAR图像如图3所示，图3a及图3b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KI进行变化检测的结果如图4a所示，GKI的检测结果如图4b所示，K-means的检测结果如图4c所示，FCM的检测结果如图4d所示；采取本发明方法检测的结果如图5所示，可见在变化区域较小的地区，采取本发明可以较好地克服斑点噪声，减少噪声干扰，变化检测结果较好。
反应纳米比亚地区变化面积相对较大的SAR图像如图6所示，图6a及图6b的拍摄时间分别为2009年4月6号及2009年9月7号，大小均为2000×2000。
通过KI进行变化检测的结果如图7a所示，GKI的检测结果如图7b所示，K-means的检测结果如图7c所示，FCM的检测结果如图7d所示。采取本发明方法检测的结果如图8a及图8b所示。可见在变化区域较大的地区，采取本发明仍然可以有效地减少噪声，鲁棒性较好，变化检测结果相对提高。
反应纳米比亚地区人工仿真的SAR图像如图9所示，图9a和图9b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。
通过KI进行变化检测的结果如图11a所示，GKI的检测结果如图11b所示，K-means的检测结果如图11c所示，FCM的检测结果如图11d所示。采取本发明方法检测的结果如图12a及图12b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，检测效果好。每种方法的检测结果性能指标如表1所示。
表1
从表1中可以看出，本发明的变化检测正确率以及Kappa值都比较理想，检测结果优良。

Claims (6)

1.一种基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，其特征在于，包括以下步骤：
1)获取两幅配准后同一地区不同时相的SAR图像，然后从两幅配准后同一地区不同时相的SAR图像选取若干有标签数据，并将选取出来的有标签数据作为训练样本；
2)将训练样本归一化到[0，1]之间，并将归一化的结果记作样本X；
3)从样本X中选择不同尺度的图像块，并将选择出来的不同尺度的图像块输入到SPPNet感兴趣区域检测网络中进行感兴趣区域检测训练，得到训练好的SPP Net感兴趣区域检测网络；
4)从待检测地区选取两幅尺寸为W×W的图像，并将选取出来的两幅尺寸为W×W的图像作为测试数据送入SPP Net感兴趣区域检测网络进行感兴趣测试，得最终的感兴趣区域；
5)将步骤4)中得到的最终的感兴趣区域对应的位置映射到对应尺寸为W×W的图像，并将所述尺寸为W×W的图像中的非感兴趣区域的像素值设置为0，得两幅经过感兴趣检测后SAR图像I1及I2；
6)通过基于图像块的GKI对经步骤5)得到的两幅经过感兴趣检测后SAR图像I1及I2进行变化检测，得最终的变化检测结果图，完成基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测。
2.根据权利要求1所述的基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，其特征在于，W＝2000。
3.根据权利要求1所述的基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，其特征在于，步骤3)的具体操作为：
3a)从样本X1中取50×50的图像块、55×55的图像块、60×60的图像块，然后通过50×50的图像块、55×55的图像块及60×60的图像块构成基于图像块的输入矩阵X11、X12及X13；
3b)选择SPP Net感兴趣区域检测网络，其中，SPP Net感兴趣区域检测网络由依次相连接的输入层、第一卷积层、最大池化层、第二卷积层、第三卷积层、空间金子塔池化层、第一全连接层、第二全连接层及softmax分类器组成；
3c)给定SPP Net感兴趣区域检测网络各层的特征映射图，确定第一卷积层、第二卷积层及第三卷积层的滤波器尺寸，并随机初始化第一卷积层、第二卷积层及第三卷积层的滤波器；
3d)将所述基于图像块的输入矩阵X11、X12及X13输入到SPP Net感兴趣区域检测网络中，获取SPP Net感兴趣区域检测网络的网络参数，得到训练好的SPP Net感兴趣区域检测网络。
4.根据权利要求1所述的基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，其特征在于，步骤4)的具体操作为：
4a)从待检测地区选取尺寸为2000×2000的图像，再对尺寸为2000×2000的图像进行归一化处理，从归一化后的尺寸为2000×2000的图像中选取50×50的图像块、55×55的图像块及60×60的图像块，然后根据50×50的图像块、55×55的图像块及60×60的图像块构建基于图像块的输入矩阵X21、X22及X23；
4b)将基于图像块的输入矩阵X21、X22及X23输入到训练好的SPP Net感兴趣区域检测网络，获取相应的3组检测结果；
4c)对步骤4b)得到的3组检测结果累计求和，得heat map1；
4d)设定阈值T1，将heat map1大于阈值T1的像素值置为255，将heat map1小于等于阈值T1的像素值置为0。
5.根据权利要求1所述的基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，其特征在于，步骤6)的具体操作为：
6a)对两幅经过感兴趣检测后SAR图像I1及I2做均值比值差异图DI(x)，其中，
<mrow> <mi>D</mi> <mi>I</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>N</mi> </munderover> <mi>I</mi> <mn>1</mn> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>x</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>N</mi> </munderover> <mi>I</mi> <mn>2</mn> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
其中，It(x)为第t时相的灰度值；
6b)将均值比值差异图DI(x)修改为基于结构块的形式，得到改进后的均值比值差异图DI*(x)，其中，
其中，Ωx为以位置x为中心的邻域，It(x)为第t时相的灰度值；
6c)根据步骤6b)得到的改进后的均值比值差异图DI*(x)得到直方图h(XL)；
6d)设最小化代价函数得阈值T2；
其中，
对于给定的灰度值和具体阈值T，P(wi|Xi,T)(i＝u,c)表示变化类及未变化类的后验概率，其中，
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>,</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>|</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>T</mi> <mo>)</mo> </mrow> </mrow> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mi>N</mi> <mo>,</mo> <mi>C</mi> <mo>}</mo> </mrow> </munder> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>|</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>T</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mi>N</mi> <mo>,</mo> <mi>C</mi> </mrow>
其中上式的解析表达式为：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>|</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>a</mi> <mi>i</mi> </msub> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>-</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>&amp;rsqb;</mo> </mrow> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> </msup> </mrow> </msup> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mi>u</mi> <mo>,</mo> <mi>c</mi> </mrow>
<mrow> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>b</mi> <mi>i</mi> </msub> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> </mrow> <mrow> <mn>2</mn> <mi>&amp;Gamma;</mi> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
<mrow> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <msub> <mi>&amp;sigma;</mi> <mi>i</mi> </msub> </mfrac> <msqrt> <mfrac> <mrow> <mi>&amp;Gamma;</mi> <mrow> <mo>(</mo> <mfrac> <mn>3</mn> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;Gamma;</mi> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> </mfrac> <mo>)</mo> </mrow> </mrow> </mfrac> </msqrt> </mrow>
则广义高斯假设下的代价函数被优化为：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>J</mi> <mrow> <mi>G</mi> <mi>G</mi> <mo>_</mo> <mi>K</mi> <mi>I</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>=</mo> <mn>0</mn> </mrow> <mi>T</mi> </munderover> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>)</mo> </mrow> <msup> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>b</mi> <mi>u</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>|</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>-</mo> <msub> <mi>m</mi> <mi>u</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mrow> <msub> <mi>&amp;beta;</mi> <mi>u</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> </mrow> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>=</mo> <mi>T</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mi>L</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>h</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>)</mo> </mrow> <msup> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>b</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>|</mo> <msub> <mi>X</mi> <mi>l</mi> </msub> <mo>-</mo> <msub> <mi>m</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mrow> <msub> <mi>&amp;beta;</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> </mrow> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>+</mo> <mi>H</mi> <mrow> <mo>(</mo> <mrow> <mi>w</mi> <mo>,</mo> <mi>T</mi> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mrow> <mo>&amp;lsqb;</mo> <mrow> <msub> <mi>P</mi> <mi>u</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> <mi>ln</mi> <mi> </mi> <msub> <mi>a</mi> <mi>u</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> <mi>ln</mi> <mi> </mi> <msub> <mi>a</mi> <mi>c</mi> </msub> <mrow> <mo>(</mo> <mi>T</mi> <mo>)</mo> </mrow> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>
6e)将改进后的差异图DI*(x)中像素超过阈值T2的像素点置为255，将改进后的差异图DI*(x)中像素不超过阈值T2的像素点置为0。
6.根据权利要求3所述的基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法，其特征在于，步骤3b)中输入层的特征映射图数目为4，第一卷积层的特征映射图数目为8，第一卷积层的滤波器尺寸为5，最大池化层的下采样尺寸为2，第二卷积层的特征映射图数目为8，第二卷积层的滤波器尺寸为5，第三卷积层的特征映射图数目为16，第三卷积层的置滤波器尺寸为3，空间金子塔池化层包括三层，第一全连接层的特征映射图数目为128，第二全连接层的特征映射图数目为2。
CN201710439717.XA 2017-06-12 2017-06-12 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 Active CN107358625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710439717.XA CN107358625B (zh) 2017-06-12 2017-06-12 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710439717.XA CN107358625B (zh) 2017-06-12 2017-06-12 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法

Publications (2)

Publication Number Publication Date
CN107358625A true CN107358625A (zh) 2017-11-17
CN107358625B CN107358625B (zh) 2021-07-06

Family

ID=60272805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710439717.XA Active CN107358625B (zh) 2017-06-12 2017-06-12 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法

Country Status (1)

Country Link
CN (1) CN107358625B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002792A (zh) * 2018-07-12 2018-12-14 西安电子科技大学 基于分层多模型度量学习的sar图像变化检测方法
CN109377480A (zh) * 2018-09-27 2019-02-22 中国电子科技集团公司第五十四研究所 基于深度学习的耕地变化检测方法
CN115061136A (zh) * 2022-06-08 2022-09-16 江苏省水利科学研究院 一种基于sar图像的河湖岸线变化点检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694718A (zh) * 2009-10-13 2010-04-14 西安电子科技大学 基于感兴趣区域的遥感图像变化检测方法
CN103198480A (zh) * 2013-04-02 2013-07-10 西安电子科技大学 基于区域和Kmeans聚类的遥感图像变化检测方法
CN103839257A (zh) * 2013-12-24 2014-06-04 西安电子科技大学 一种广义高斯k&i的sar图像变化检测方法
US20160106388A1 (en) * 2013-05-31 2016-04-21 Tohoku University Breast cancer detection system, breast cancer detection method, breast cancer detection program, and computer-readable recording medium having breast cancer detection program recorded thereon
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694718A (zh) * 2009-10-13 2010-04-14 西安电子科技大学 基于感兴趣区域的遥感图像变化检测方法
CN103198480A (zh) * 2013-04-02 2013-07-10 西安电子科技大学 基于区域和Kmeans聚类的遥感图像变化检测方法
US20160106388A1 (en) * 2013-05-31 2016-04-21 Tohoku University Breast cancer detection system, breast cancer detection method, breast cancer detection program, and computer-readable recording medium having breast cancer detection program recorded thereon
CN103839257A (zh) * 2013-12-24 2014-06-04 西安电子科技大学 一种广义高斯k&i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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KAIMING HE等: "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS & MACHINE INTELLIGENCE》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002792A (zh) * 2018-07-12 2018-12-14 西安电子科技大学 基于分层多模型度量学习的sar图像变化检测方法
CN109002792B (zh) * 2018-07-12 2021-07-20 西安电子科技大学 基于分层多模型度量学习的sar图像变化检测方法
CN109377480A (zh) * 2018-09-27 2019-02-22 中国电子科技集团公司第五十四研究所 基于深度学习的耕地变化检测方法
CN115061136A (zh) * 2022-06-08 2022-09-16 江苏省水利科学研究院 一种基于sar图像的河湖岸线变化点检测方法及系统
CN115061136B (zh) * 2022-06-08 2024-01-09 江苏省水利科学研究院 一种基于sar图像的河湖岸线变化点检测方法及系统

Also Published As

Publication number Publication date
CN107358625B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Wang et al. SegRoot: A high throughput segmentation method for root image analysis
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
CN107229918A (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN103871039B (zh) 一种sar图像变化检测差异图生成方法
CN104408458B (zh) 基于射线补全区域图和特征学习的sar图像分割方法
CN105844279A (zh) 基于深度学习和sift特征的sar图像变化检测方法
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
CN103984966A (zh) 基于稀疏表示的sar图像目标识别方法
CN112017192B (zh) 基于改进U-Net网络的腺体细胞图像分割方法及系统
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法
CN105354824B (zh) 基于区域提取的双参数恒虚警检测方法
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
CN106846322A (zh) 基于曲线波滤波器和卷积结构学习的sar图像分割方法
CN110598564A (zh) 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法
Tang et al. A multiple-point spatially weighted k-NN method for object-based classification
CN116012364B (zh) Sar图像变化检测方法和装置
CN107392211A (zh) 基于视觉稀疏认知的显著目标检测方法
CN111275680B (zh) 基于Gabor卷积网络的SAR图像变化检测方法
CN107341798B (zh) 基于全局-局部SPP Net的高分辨SAR图像变化检测方法
CN109583626B (zh) 路网拓扑重建方法、介质及系统
CN112766381A (zh) 有限样本下属性引导的sar图像生成方法
CN111696167A (zh) 自范例学习引导的单张影像超分辨率重构方法
KR102416714B1 (ko) 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법
CN107358261B (zh) 一种基于曲线波sae的高分辨sar图像变化检测方法
CN112785629A (zh) 一种基于无监督深度光流网络的极光运动表征方法

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