CN107944353B - 基于轮廓波bspp网络的sar图像变化检测方法 - Google Patents
基于轮廓波bspp网络的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN107944353B CN107944353B CN201711102099.6A CN201711102099A CN107944353B CN 107944353 B CN107944353 B CN 107944353B CN 201711102099 A CN201711102099 A CN 201711102099A CN 107944353 B CN107944353 B CN 107944353B
- Authority
- CN
- China
- Prior art keywords
- pixels
- region
- bspp
- layer
- change detection
- 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
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，主要解决现有方法中SAR图像变化检测的检测精度不高、运算速度较慢的问题。本发明的具体步骤如下：(1)SAR图像预处理；(2)特征矩阵归一化；(3)构造训练数据集；(4)构建轮廓波BSPP感兴趣区域检测网络；(5)训练感兴趣区域检测网络；(6)构建轮廓波BSPP变化检测网络；(7)训练变化检测网络；(8)获取测试样本；(9)检测测试样本的感兴趣区域；(10)感兴趣区域的变化检测；(11)输出变化检测结果图。本发明具有对SAR图像变化检测的检测精度高和运算速度快的优点。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及遥感图像变化检测技术领域中的一种基于轮廓波二值空间金字塔池化BSPP(Binary Spatial Pyramid Pooling)网络的合成孔径雷达SAR(Synthetic Aperture Radar)图像变化检测方法。本发明可对两幅不同时相获取的高分辨SAR图像的地物变化区域进行检测，可在地物覆盖与利用、自然灾害监测与评估，城市规划，地图更新等领域进行SAR图像的变化检测。
背景技术
随着航空和航天遥感技术的飞速发展，变化检测技术在各方面都取得了一定进展。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图像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。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。在实际应用中，当图像分辨率较高时，得到的差异图往往不太理想。而深度学习的变化检测算法，可以避免差异图的产生，通过逐层训练的方式自主提取图像特征，得到较好的检测效果。因此，深度学习的检测方法在处理高分辨SAR图像时更符合实际的应用。
西安电子科技大学在其申请的专利文献“基于SAE和显著性检测的高分辨SAR图像变化检测方法”(专利申请号：201710365433.0，公开号：CN107256409A)中提出了一种基于SAE和显著性检测的高分辨SAR图像变化检测方法。该方法先通过基于堆栈自编码网络的显著性检测得到两幅SAR图像的显著性区域，之后对两幅SAR图像的显著性区域提取对数比值差异图，再对对数比值差异图采用模糊c均值聚类算法得到变化检测结果。其中，显著性检测首先从两幅SAR图像中提取不同大小的图像块作为训练数据集，用该训练数据集训练三层堆栈自编码网络得到两幅图像的特征，再对两幅图像的特征差异性进行分析得到显著性区域。该方法通过显著性检测的方法减小了待检测区域。但是，该方法仍然存在的不足之处是，该方法没有利用图像的多尺度多方向特性，不能稀疏的表示图像的几何结构，变化区域的边缘检测效果不好。
西北工业大学在其申请的专利文献“基于双通道卷积神经网络的多时相SAR图像变化检测方法”(申请号：201610301686.7，公开号：CN106023154A)公开了一种基于双通道卷积神经网络的多时相SAR图像变化检测方法。该方法首先训练两个结构相同的CNN模型，然后再利用训练好的CNN对未分类样本进行变化检测。该方法将卷积神经网络技术运用到多时相SAR图像变化检测，提高了检测精度，但是，该方法仍然存在的不足之处是，该方法的计算量较大，运算速度较慢，需要大量的存储空间。
发明内容
本发明的目的在于克服上述现有技术的不足，提出了一种基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法。本发明与现有技术中其他SAR图像变化检测技术相比，利用了SAR图像的多尺度多方向特性，稀疏的表示了图像的几何结构，运算速度较快，且提高SAR图像变化检测的检测精度。
本发明实现上述目的的思路是：首先通过非下采样轮廓波变换，对高分辨SAR图像的高频信号和低频信号进行特征提取，得到原始图像的稀疏表示，然后结合二值空间金字塔池化BSPP检测网络，对经过稀疏表示的测试样本进行感兴趣区域检测，最后对提取出的感兴趣区域进行变化检测，得到变化检测结果图。
本发明实现的具体步骤包括如下：
(1)对合成孔径雷达SAR图像进行预处理：
(1a)将两幅配准后的同一地区不同时相的合成孔径雷达SAR图像，分别进行两级非下采样轮廓波变换，得到每幅图像的1个低频系数矩阵和3个高频系数矩阵；
(1b)分别对每幅合成孔径雷达SAR图像的3个高频系数矩阵取绝对值，从3个绝对值中取最大值，作为融合后的高频系数；
(1c)将低频系数矩阵与融合后的高频系数矩阵合并，得到特征矩阵；
(2)对特征矩阵进行归一化处理，得到归一化后的特征矩阵；
(3)构造训练数据集：
(3a)从归一化后特征矩阵中有类标的区域中选取部分样本，作为训练样本；
(3b)用50×50像素、55×55像素、60×60像素3个滑窗，分别从训练样本中分割出3个图像块，将分割出后的3个图像块作为轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络的输入数据；
(3c)用14×14像素、16×16像素、18×18像素、20×20像素、22×22像素5个滑窗，分别从训练样本中分割出5个图像块，将分割出后的5个图像块作为轮廓波二值空间金字塔池化BSPP变化检测网络的输入数据；
(4)构建轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络：
(4a)搭建一个14层的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络，网络的结构如下：输入层→二值化卷积层→二值化激活层→最大池化层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→空间金字塔池化层→二值化全连接层→二值化激活层→二值化全连接层→二值化激活层→softmax分类器；
(4b)将输入层的特征映射图数目设置为4个；将第2层、第5层和第7层的二值化卷积层的特征映射图数目分别设置为64个、64个和128个，与二值化卷积层对应的滤波器的尺寸分别设置为5×5像素、5×5像素和3×3像素；设置二值化激活层的激活函数为：Htanh(x)＝max(-1,min(1,x))，其中，max表示取最大值操作，min表示取最小值操作，x表示二值化激活层的输入值；将最大池化层的池化窗口设置为2×2像素；将空间金字塔池化层设置为3层，每层的池化窗口分别设置为1×1、2×2和3×3像素；将二值化全连接层的特征映射图数目设置为128个，并将全连接层的参数进行二值化处理，将分类层的特征映射图数目设置为2个；
(5)训练轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络：
将轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络的输入数据，送入构建好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络中，训练轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络，得到训练好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络；
(6)构建轮廓波二值空间金字塔池化BSPP变化检测网络：
(6a)搭建一个13层的变化检测网络，网络的结构如下：输入层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→空间金字塔池化层→二值化全连接层→二值化激活层→二值化全连接层→二值化激活层→softmax分类器；
(6b)将第2层、第4层和第6层二值化卷积层的特征映射图数目分别设置为64个、64个和128个，与二值化卷积层对应的滤波器的尺寸均设置为3×3像素；其余层的参数设置与轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络相同；
(7)训练轮廓波二值空间金字塔池化BSPP变化检测网络：
将轮廓波二值空间金字塔池化BSPP变化检测网络的输入数据，送入搭建好的轮廓波二值空间金字塔池化BSPP变化检测网络中，训练轮廓波二值空间金字塔池化BSPP变化检测网络，得到训练好的轮廓波二值空间金字塔池化BSPP变化检测网络；
(8)获取测试样本：
(8a)从归一化的特征矩阵中选取2000×2000像素大小的矩阵区域；
(8b)用50×50像素、55×55像素、60×60像素3个滑窗，分别从测试样本中分割出3个图像块，作为测试样本；
(9)检测测试样本的感兴趣区域：
(9a)将测试样本送入训练好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络进行感兴趣区域检测，得到3个感兴趣区域检测结果图；
(9b)将检测结果进行感兴趣区域多尺度图像融合，得到融合后的感兴趣区域检测结果图；
(10)检测感兴趣区域检测结果图的变化区域：
(10a)用14×14像素、16×16像素、18×18像素、20×20像素、22×22像素5个滑窗，分别从测试样本的感兴趣区域检测结果图中分割出5个图像块，作为测试数据的变化检测样本；
(10b)将测试数据的变化检测样本，送入训练好的轮廓波二值空间金字塔池化BSPP变化检测网络，进行变化区域的检测，得到5个变化检测结果图；
(10c)将5个变化检测结果图进行变化区域多尺度图像融合，得到融合后的变化检测结果图；
(11)输出变化检测结果图。
本发明与现有技术相比具有以下优点：
第一，由于本发明采用了非下采样轮廓波变换，获得了高分辨SAR图像的高频信号和低频信号，得到SAR图像的多尺度多方向信息，克服了现有技术中没有利用图像的多尺度多方向特性，导致边缘检测效果较差、检测精度较低的问题，使得本发明有利于提高SAR图像变化检测的检测精度，增强了SAR图像变化检测的鲁棒性。
第二，由于本发明将二值神经网络与空间金字塔池化网络进行结合，网络中对每个激活层后的元素、卷积滤波器以及所有的全连接层参数进行了二值处理，获得了网络中参数的二值化形式，克服了现有技术中卷积网络的计算量较大，运算速度较慢的问题，使得本发明提高了SAR图像变化检测的运算速度，增强了网络的泛化能力。
附图说明
图1是本发明的流程图；
图2是本发明仿真实验中使用的Namibia地区的高分辨SAR图像及相应的变化检测参考图；
图3是本发明仿真实验中使用的Namibia地区的高分辨SAR图像的变化检测结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，本发明实现的具体步骤如下：
步骤1，对合成孔径雷达SAR图像进行预处理。
将两幅配准后的同一地区不同时相的合成孔径雷达SAR图像，分别进行两级非下采样轮廓波变换，得到每幅图像的1个低频系数矩阵和3个高频系数矩阵。
非下采样轮廓波变换的具体步骤如下：
第一步：使用两级非下采样拉普拉斯金字塔分解滤波器组，分别对两幅配准后的同一地区不同时相的SAR图像进行多尺度分解，得到1个低频子带和3个高频子带；
第二步：使用非下采样方向滤波器组，将分布在高频子带中同方向的奇异点进行合成，得到非下采样轮廓波变换的系数。
分别对每幅合成孔径雷达SAR图像的3个高频系数矩阵取绝对值，从3个绝对值中取最大值，作为融合后的高频系数。
将低频系数矩阵与融合后的高频系数矩阵合并，得到特征矩阵。
步骤2，对特征矩阵进行归一化处理，得到归一化后的特征矩阵。
特征矩阵归一化的具体步骤如下：
第1步：用特征矩阵中的各元素累加求和后再除以特征矩阵的元素个数，得到特征矩阵的均值；
第2步：用特征矩阵中的每个元素减去特征矩阵的均值，计算差值的算术平方根，得到特征矩阵的标准差；
第3步：将特征矩阵中的每个元素减去均值，再除以标准差，实现了特征矩阵在[0，1]之间的归一化，得到归一化后的特征矩阵。
步骤3，构造训练数据集。
从归一化后特征矩阵中有类标的区域中选取部分样本，作为训练样本，其中，本发明的实施例是从有类标的区域中选取了3％的样本组成了训练样本。
用50×50像素、55×55像素、60×60像素3个滑窗，分别从训练样本中分割出3个图像块，将分割出后的3个图像块作为轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络的输入数据。
用14×14像素、16×16像素、18×18像素、20×20像素、22×22像素5个滑窗，分别从训练样本中分割出5个图像块，将分割出后的5个图像块作为轮廓波二值空间金字塔池化BSPP变化检测网络的输入数据。
步骤4，构建轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络。
搭建一个14层的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络，网络的结构如下：输入层→二值化卷积层→二值化激活层→最大池化层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→空间金字塔池化层→二值化全连接层→二值化激活层→二值化全连接层→二值化激活层→softmax分类器。
全连接层的参数进行二值化处理是指，将全连接层的正数参数置为1，负参数置为-1。
将输入层的特征映射图数目设置为4个；将第2层、第5层和第7层的二值化卷积层的特征映射图数目分别设置为64个、64个和128个，与二值化卷积层对应的滤波器的尺寸分别设置为5×5像素、5×5像素和3×3像素；设置二值化激活层的激活函数为：Htanh(x)＝max(-1,min(1,x))，其中，max表示取最大值操作，min表示取最小值操作，x表示二值化激活层的输入值；将最大池化层的池化窗口设置为2×2像素；将空间金字塔池化层设置为3层，每层的池化窗口分别设置为1×1、2×2和3×3像素；将二值化全连接层的特征映射图数目设置为128个，并将全连接层的参数进行二值化处理，将分类层的特征映射图数目设置为2个。
步骤5，训练轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络。
将轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络的输入数据，送入构建好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络中，训练轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络，得到训练好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络。
步骤6，构建轮廓波二值空间金字塔池化BSPP变化检测网络。
搭建一个13层的变化检测网络，网络的结构如下：输入层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→空间金字塔池化层→二值化全连接层→二值化激活层→二值化全连接层→二值化激活层→softmax分类器。
将第2层、第4层和第6层二值化卷积层的特征映射图数目分别设置为64个、64个和128个，与二值化卷积层对应的滤波器的尺寸均设置为3×3像素；其余层的参数设置与轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络相同。
步骤7，训练轮廓波二值空间金字塔池化BSPP变化检测网络。
将轮廓波二值空间金字塔池化BSPP变化检测网络的输入数据，送入搭建好的轮廓波二值空间金字塔池化BSPP变化检测网络中，训练轮廓波二值空间金字塔池化BSPP变化检测网络，得到训练好的轮廓波二值空间金字塔池化BSPP变化检测网络。
步骤8，获取测试样本。
从归一化的特征矩阵中选取2000×2000像素大小的矩阵区域。
用50×50像素、55×55像素、60×60像素3个滑窗，分别从测试样本中分割出3个图像块，作为测试样本。
步骤9，检测测试样本的感兴趣区域。
将测试样本送入训练好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络进行感兴趣区域检测，得到3个感兴趣区域检测结果图。
将检测结果进行感兴趣区域多尺度图像融合，得到融合后的感兴趣区域检测结果图。
感兴趣区域多尺度图像融合的具体步骤如下：
第1步，将50×50、55×55、60×60三个像素尺度下的感兴趣区域检测结果图相同位置的像素值相加，得到初始感兴趣区域检测结果图；
第2步，将初始感兴趣区域检测结果图中像素值大于1的像素，判归为最终感兴趣区域类像素；将初始感兴趣区域检测结果图中像素值小于1的像素，判归为最终非感兴趣区域类像素；
第3步，将最终非感兴趣区域类像素和最终感兴趣区域类像素组合到一幅图中，得到融合后的高分辨合成孔径雷达SAR图像感兴趣区域检测的结果图。
步骤10，检测感兴趣区域检测结果图的变化区域。
用14×14像素、16×16像素、18×18像素、20×20像素、22×22像素5个滑窗，分别从测试样本的感兴趣区域中分割出5个图像块，作为测试数据的变化检测样本。
将变化检测样本送入变化检测网络进行变化区域的检测，得到5个检测结果图。
将检测结果进行变化区域多尺度图像融合，得到变化检测结果图。
变化区域多尺度图像融合的具体步骤如下：
第1步，将14×14、16×16、18×18、20×20、22×22五个像素尺度下的变化区域检测结果图中相同位置的像素值相加，得到初始变化检测结果图；
第2步，将初始变化检测结果图中像素值大于3的像素，判归为最终变化类像素；将初始变化检测结果图中像素值小于3的像素，判归为最终非变化类像素；
第3步，将最终非变化类像素和最终变化类像素组合到一幅图中，得到融合后的高分辨合成孔径雷达SAR图像变化检测的结果图。
步骤10，输出变化检测结果图。
下面结合仿真实验对本发明的效果做进一步的说明：
1、仿真条件：
本发明的仿真实验是在主频2.40GHz*16的Intel(R)Xeon(R)CPU E5-2630、内存64GB的硬件环境和Torch7的软件环境下进行的。
本发明的仿真实验使用了一组高分辨SAR图像数据。
本发明仿真实验使用的高分辨SAR图像数据及相应的变化检测参考图是Namibia地区的真实的高分辨SAR图像构造的仿真图，图像大小为2000×2000。其中，图2(a)是2009年4月的Namibia地区的高分辨SAR图，图2(b)是2009年9月的Namibia地区的高分辨SAR图，图2(c)是Namibia地区真实的高分辨SAR图像的仿真图的变化检测参考图。
本发明仿真实验所使用的仿真参数如下：
正确率PCC：PCC＝(TP+TN)/(TP+TN+FP+FN)。
其中，TP为真正变化个数，表示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；TN为真正未变化个数，表示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；FP为误检个数，表示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；FN为漏检数，表示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。
衡量检测结果图与参考图一致性的系数Kappa：Kappa＝(PCC-PRE)/(1-PRE)，其中：PRE＝(TP+FP)×Nc+(TN+FN)×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。
2、仿真内容与结果分析：
本发明的仿真实验采用本发明方法与三种现有技术(基于广义高斯K&I阈值的GKI方法、基于模糊C聚类的FCM方法、基于空间金字塔池化网络的SPP Net方法)，对Namibia地区的SAR图像进行变化检测，并将检测效果进行对比分析。
图3是本发明对Namibia地区高分辨SAR图像的仿真实验结果图，其中，图3(a)是采用现有技术的基于广义高斯K&I阈值的GKI方法的仿真结果图；图3(b)是采用现有技术的基于模糊C聚类的FCM方法的仿真结果图；图3(c)是采用现有技术的基于空间金字塔池化网络的SPP Net方法的仿真结果图；图3(d)是采用本发明方法的仿真结果图。
从图3的视觉效果可以看出，本发明的变化检测结果图与现有三种方法相比最接近参考图，本发明的变化检测结果图变化区域内部与未变化区域内部检测效果都比较好，而且变化检测结果图的边缘检测更加清晰。
表1是本发明的仿真实验采用三种现有技术和本发明方法对正确率PCC和Kappa系数进行对比的统计表。表1中的“GKI”表示采用基于广义高斯K&I阈值的GKI方法类型、表1中的“FCM”表示采用基于模糊C聚类的FCM方法类型、表1中的“SPP Net”表示采用基于空间金字塔池化网络的SPP Net方法类型，表1中的“BSPP Net”表示本发明采用的轮廓波二值空间金字塔池化网络方法类型。
表1仿真图像变化检测结果比较一览表
从表1中可以看出，本发明方法的变化检测正确率PCC和Kappa系数，都高于其它三种对比方法，检测效果良好。
Claims (6)
1.一种基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，其特征在于，包括如下步骤：
(1)对合成孔径雷达SAR图像进行预处理：
(1a)将两幅配准后的同一地区不同时相的合成孔径雷达SAR图像，分别进行两级非下采样轮廓波变换，得到每幅图像的1个低频系数矩阵和3个高频系数矩阵；
(1b)分别对每幅合成孔径雷达SAR图像的3个高频系数矩阵取绝对值，从3个绝对值中取最大值，作为融合后的高频系数；
(1c)将低频系数矩阵与融合后的高频系数矩阵合并，得到特征矩阵；
(2)对特征矩阵进行归一化处理，得到归一化后的特征矩阵；
(3)构造训练数据集：
(3a)从归一化后特征矩阵中有类标的区域中选取部分样本，作为训练样本；
(3b)用50×50像素、55×55像素、60×60像素3个滑窗，分别从训练样本中分割出3个图像块，将分割出后的3个图像块作为轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络的输入数据；
(3c)用14×14像素、16×16像素、18×18像素、20×20像素、22×22像素5个滑窗，分别从训练样本中分割出5个图像块，将分割出后的5个图像块作为轮廓波二值空间金字塔池化BSPP变化检测网络的输入数据；
(4)构建轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络：
(4a)搭建一个14层的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络，网络的结构如下：输入层→二值化卷积层→二值化激活层→最大池化层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→空间金字塔池化层→二值化全连接层→二值化激活层→二值化全连接层→二值化激活层→softmax分类器；
(4b)将输入层的特征映射图数目设置为4个；将第2层、第5层和第7层的二值化卷积层的特征映射图数目分别设置为64个、64个和128个，与二值化卷积层对应的滤波器的尺寸分别设置为5×5像素、5×5像素和3×3像素；设置二值化激活层的激活函数为：Htanh(x)＝max(-1,min(1,x))，其中，max表示取最大值操作，min表示取最小值操作，x表示二值化激活层的输入值；将最大池化层的池化窗口设置为2×2像素；将空间金字塔池化层设置为3层，每层的池化窗口分别设置为1×1、2×2和3×3像素；将二值化全连接层的特征映射图数目设置为128个，并将全连接层的参数进行二值化处理，将分类层的特征映射图数目设置为2个；
(5)训练轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络：
将轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络的输入数据，送入构建好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络中，训练轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络，得到训练好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络；
(6)构建轮廓波二值空间金字塔池化BSPP变化检测网络：
(6a)搭建一个13层的变化检测网络，网络的结构如下：输入层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→空间金字塔池化层→二值化全连接层→二值化激活层→二值化全连接层→二值化激活层→softmax分类器；
(6b)将第2层、第4层和第6层二值化卷积层的特征映射图数目分别设置为64个、64个和128个，与二值化卷积层对应的滤波器的尺寸均设置为3×3像素；其余层的参数设置与轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络相同；
(7)训练轮廓波二值空间金字塔池化BSPP变化检测网络：
将轮廓波二值空间金字塔池化BSPP变化检测网络的输入数据，送入搭建好的轮廓波二值空间金字塔池化BSPP变化检测网络中，训练轮廓波二值空间金字塔池化BSPP变化检测网络，得到训练好的轮廓波二值空间金字塔池化BSPP变化检测网络；
(8)获取测试样本：
(8a)从归一化的特征矩阵中选取2000×2000像素大小的矩阵区域；
(8b)用50×50像素、55×55像素、60×60像素3个滑窗，分别从测试样本中分割出3个图像块，作为测试样本；
(9)检测测试样本的感兴趣区域：
(9a)将测试样本送入训练好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络进行感兴趣区域检测，得到3个感兴趣区域检测结果图；
(9b)将检测结果进行感兴趣区域多尺度图像融合，得到融合后的感兴趣区域检测结果图；
(10)检测感兴趣区域检测结果图的变化区域：
(10a)用14×14像素、16×16像素、18×18像素、20×20像素、22×22像素5个滑窗，分别从测试样本的感兴趣区域检测结果图中分割出5个图像块，作为测试数据的变化检测样本；
(10b)将测试数据的变化检测样本，送入训练好的轮廓波二值空间金字塔池化BSPP变化检测网络，进行变化区域的检测，得到5个变化检测结果图；
(10c)将5个变化检测结果图进行变化区域多尺度图像融合，得到融合后的变化检测结果图；
(11)输出变化检测结果图。
2.根据权利要求1所述的基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，其特征在于：步骤(1a)中所述的两级非下采样轮廓波变换的具体步骤如下：
第一步：使用两级非下采样拉普拉斯金字塔分解滤波器组，分别对两幅配准后的同一地区不同时相的合成孔径雷达SAR图像进行多尺度分解，得到1个低频子带和3个高频子带；
第二步：使用非下采样方向滤波器组，将分布在高频子带中同方向的奇异点进行合成，得到非下采样轮廓波变换的系数。
3.根据权利要求1所述的基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，其特征在于：步骤(2)中所述的对特征矩阵进行归一化处理的具体步骤如下：
第一步：用特征矩阵中的各元素累加求和后再除以特征矩阵的元素个数，得到特征矩阵的均值；
第二步：用特征矩阵中的每个元素减去特征矩阵的均值，计算差值的算术平方根，得到特征矩阵的标准差；
第三步：将特征矩阵中的每个元素减去均值，再除以标准差，实现了特征矩阵在[0，1]之间的归一化，得到归一化后的特征矩阵。
4.根据权利要求1所述的基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，其特征在于：步骤(4b)中所述的全连接层的参数进行二值化处理是指，将全连接层的正数参数置为1，负参数置为-1。
5.根据权利要求1所述的基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，其特征在于：步骤(9b)中所述的感兴趣区域多尺度图像融合的具体步骤如下：
第一步，将50×50、55×55、60×60三个像素尺度下的感兴趣区域检测结果图相同位置的像素值相加，得到初始感兴趣区域检测结果图；
第二步，将初始感兴趣区域检测结果图中像素值大于1的像素，判归为最终感兴趣区域类像素；将初始感兴趣区域检测结果图中像素值小于1的像素，判归为最终非感兴趣区域类像素；
第三步，将最终非感兴趣区域类像素和最终感兴趣区域类像素组合到一幅图中，得到融合后的高分辨合成孔径雷达SAR图像感兴趣区域检测的结果图。
6.根据权利要求1所述的基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，其特征在于：步骤(10c)中所述的变化区域多尺度图像融合的具体步骤如下：
第一步，将14×14、16×16、18×18、20×20、22×22五个像素尺度下的变化区域检测结果图中相同位置的像素值相加，得到初始变化检测结果图；
第二步，将初始变化检测结果图中像素值大于3的像素，判归为最终变化类像素；将初始变化检测结果图中像素值小于3的像素，判归为最终非变化类像素；
第三步，将最终非变化类像素和最终变化类像素组合到一幅图中，得到融合后的高分辨合成孔径雷达SAR图像变化检测的结果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711102099.6A CN107944353B (zh) | 2017-11-10 | 2017-11-10 | 基于轮廓波bspp网络的sar图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711102099.6A CN107944353B (zh) | 2017-11-10 | 2017-11-10 | 基于轮廓波bspp网络的sar图像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107944353A CN107944353A (zh) | 2018-04-20 |
| CN107944353B true CN107944353B (zh) | 2019-12-24 |
Family
ID=61933672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711102099.6A Active CN107944353B (zh) | 2017-11-10 | 2017-11-10 | 基于轮廓波bspp网络的sar图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107944353B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647614A (zh) * | 2018-04-28 | 2018-10-12 | 吉林大学 | 心电图心拍分类识别方法及系统 |
| CN109558806B (zh) * | 2018-11-07 | 2021-09-14 | 北京科技大学 | 高分遥感图像变化的检测方法 |
| CN110414494B (zh) * | 2019-01-25 | 2022-12-02 | 西安电子科技大学 | 带有aspp反卷积网络的sar图像分类方法 |
| CN110097129B (zh) * | 2019-05-05 | 2023-04-28 | 西安电子科技大学 | 基于轮廓波分组特征金字塔卷积的遥感目标检测方法 |
| CN110533631B (zh) * | 2019-07-15 | 2023-07-04 | 西安电子科技大学 | 基于金字塔池化孪生网络的sar图像变化检测方法 |
| CN110516732B (zh) * | 2019-08-22 | 2022-03-15 | 北京地平线机器人技术研发有限公司 | 特征金字塔网络的训练方法、提取图像特征的方法和装置 |
| CN112666533B (zh) * | 2020-12-31 | 2022-04-08 | 西安电子科技大学 | 基于空间金字塔池化网络的重频变化稳健目标识别方法 |
Citations (6)
| 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 |
| CN101901476A (zh) * | 2010-07-12 | 2010-12-01 | 西安电子科技大学 | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 |
| CN102800074A (zh) * | 2012-07-12 | 2012-11-28 | 西安电子科技大学 | 基于轮廓波变换的sar图像变化检测差异图生成方法 |
| CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
| CN106934419A (zh) * | 2017-03-09 | 2017-07-07 | 西安电子科技大学 | 基于复数轮廓波卷积神经网络的极化sar图像分类方法 |
| CN107239751A (zh) * | 2017-05-22 | 2017-10-10 | 西安电子科技大学 | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 |
-
2017
- 2017-11-10 CN CN201711102099.6A patent/CN107944353B/zh active Active
Patent Citations (6)
| 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 |
| CN101901476A (zh) * | 2010-07-12 | 2010-12-01 | 西安电子科技大学 | 基于NSCT域边缘检测和Bishrink模型的SAR图像去噪方法 |
| CN102800074A (zh) * | 2012-07-12 | 2012-11-28 | 西安电子科技大学 | 基于轮廓波变换的sar图像变化检测差异图生成方法 |
| CN105718957A (zh) * | 2016-01-26 | 2016-06-29 | 西安电子科技大学 | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 |
| CN106934419A (zh) * | 2017-03-09 | 2017-07-07 | 西安电子科技大学 | 基于复数轮廓波卷积神经网络的极化sar图像分类方法 |
| CN107239751A (zh) * | 2017-05-22 | 2017-10-10 | 西安电子科技大学 | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| "Fusion of multiparametric SAR images based on SW-nonsubsampled contourlet and PCNN";Shuyuan Yang et al;《Signal Processing》;20090503;第89卷(第12期);2596-2608 * |
| "Radar target recognition using contourlet packet transform and neural network approach";Shuyuan Yang et al;《Signal Processing》;20081017;第89卷(第4期);394-409 * |
| "基于稀疏编码和SVM的极化SAR影像地物分类方法研究";熊莎琴;《中国优秀硕士学位论文全文数据库-信息科技辑》;20170315;第2017年卷(第3期);I136-2063 * |
| "基于轮廓波变换和非局部均值的SAR图像变化检测";陈默;《中国优秀硕士学位论文全文数据库-信息科技辑》;20131215;第2013年卷(第S2期);I136-1298 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107944353A (zh) | 2018-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944353B (zh) | 基于轮廓波bspp网络的sar图像变化检测方法 | |
| CN107239751B (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
| CN109255334B (zh) | 基于深度学习语义分割网络的遥感影像地物分类方法 | |
| Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
| CN103456018B (zh) | 基于融合和pca核模糊聚类的遥感图像变化检测方法 | |
| CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
| CN111368825B (zh) | 一种基于语义分割的指针定位方法 | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| Wu et al. | Classification of defects with ensemble methods in the automated visual inspection of sewer pipes | |
| CN102819841B (zh) | 用于目标图像分割的全局阈值分割方法 | |
| CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
| CN111046772A (zh) | 多时相卫星遥感岛礁岸线及开发利用信息提取方法 | |
| CN103824302B (zh) | 基于方向波域图像融合的sar图像变化检测方法 | |
| CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
| CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
| CN110969121A (zh) | 一种基于深度学习的高分辨率雷达目标识别算法 | |
| Babawuro et al. | Satellite imagery cadastral features extractions using image processing algorithms: A viable option for cadastral science | |
| Runxin et al. | Survey on image saliency detection methods | |
| CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
| Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
| CN106096650B (zh) | 基于收缩自编码器的sar图像分类方法 | |
| CN112232249A (zh) | 一种基于深度特征的遥感图像变化检测方法及装置 | |
| CN104851090B (zh) | 图像变化检测方法及装置 | |
| CN113592829B (zh) | 基于分割重组的深度学习泥沙颗粒识别方法及装置 |
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 |