CN108257154A - 基于区域信息和cnn的极化sar图像变化检测方法 - Google Patents

基于区域信息和cnn的极化sar图像变化检测方法 Download PDF

Info

Publication number
CN108257154A
CN108257154A CN201810028892.4A CN201810028892A CN108257154A CN 108257154 A CN108257154 A CN 108257154A CN 201810028892 A CN201810028892 A CN 201810028892A CN 108257154 A CN108257154 A CN 108257154A
Authority
CN
China
Prior art keywords
pixel
layer
class
super
result
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
CN201810028892.4A
Other languages
English (en)
Other versions
CN108257154B (zh
Inventor
王英华
王飞
王剑
刘宏伟
何敬鲁
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 CN201810028892.4A priority Critical patent/CN108257154B/zh
Publication of CN108257154A publication Critical patent/CN108257154A/zh
Application granted granted Critical
Publication of CN108257154B publication Critical patent/CN108257154B/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
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明公开了一种基于区域信息和CNN的极化SAR图像变化检测方法，主要解决现有变化检测技术虚警率较高，检测区域不准确的问题。其方案是：1)对二时相PolSAR图像进行超像素分割和合并；2)计算结合空间信息的Wishart似然比差异图；3)利用差异图通过FCM算法进行预分类；4)根据预分类结果提取训练和待分类数据；5)构建变化检测网络CNN；6)利用训练数据训练CNN；7)将待分类数据输入到训练好的网络中，得到变化检测结果，将该结果与预分类结果中的变化类和未变化类一起组成变化检测最终结果。本发明避免了统计建模和超像素分割的不准确性带来的误差，可用于车辆目标的移动检测以及洪涝灾害的检测。

Description

基于区域信息和CNN的极化SAR图像变化检测方法
技术领域
本发明属于雷达图像处理技术领域，特别涉及一种PolSAR图像的变化检测方法，可用于车辆目标的移动检测以及洪涝灾害的检测。
背景技术
PolSAR系统受天气条件和光照条件的影响较小，其数据不仅能够提供幅度信息，还可以描述目标的散射特性，进一步提供有关场景地物更加丰富的信息，因此对PolSAR图像进行变化检测广泛应用于灾害监测、土地调查和目标侦查等民用和军用领域。
传统PolSAR变化检测的研究主要有两类：第一类为基于统计学的方法，如KnutConradsen等人提出的基于Wishart似然比检验统计量的变化检测方法；Meng Liu等人提出的利用异质杂波模型实现的PolSAR变化检测方法；Vahid Akbari等人基于矩阵相似性提出的基于Hotelling–Lawley Trace检验统计量的变化检测方法。第二类方法为利用超像素分割对Wishart似然比方法进行的改进，如Wen Yang等人提出的基于超像素和Wishart分布的变化检测方法以及基于超像素和混合Wishart分布的变化检测方法；Lei Xie等人提出的结合超像素和多数投票的变化检测方法。
上述方法存在3个问题：第一，对PolSAR数据统计建模不能够完全精确地拟合原始PolSAR数据的分布，导致所得结果不够准确，产生大量的虚警。第二，基于检验统计量的方法都需要设定虚警率或者显著性水平以获得阈值用于判别，不同参数产生的结果差异较大，且无法实现自动检测。第三，使用简单的超像素分割可能会造成误分割，使得检测结果不够准确。
发明内容
本发明的目的在于针对上述已有PolSAR变化检测方法的不足，提出一种结合卷积神经网络的PolSAR变化检测方法，以降低虚警率，提高变化检测的准确率与稳定性，实现自动检测。
本发明的技术思路是：通过对二时相PolSAR图像进行超像素分割与合并，计算基于区域的Wishart距离获得差异图，进而利用差异图通过预分类获得正负训练样本标签与待分类样本标签；通过对原始数据进行特征提取获得正负训练样本与待分类样本；利用训练样本对卷积神经网络框架进行训练，将待分类样本输入到训练好的网络框架中得到分类结果，与预分类确定的分类结果一起组成最终变化检测结果。其实现步骤包括如下：
(1)对PolSAR二时相图进行超像素分割，得到Ns个超像素，并对同质区域内的超像素进行合并；
(2)计算二时相图中相同位置超像素的改进Wishart距离d(si)，得到差异图；
(3)利用差异图进行预分类：
3a)对差异图进行窗口尺寸为30×30的中值滤波；
3b)利用差异图通过FCM多分类算法将原始像素点分为三类：像素点标签L＝1的变化类，像素点标签L＝0.5的未确定类，像素点标签L＝0的未变化类，得到预分类结果I；
3c)对预分类结果I在邻域内进行平滑操作，得到最终预分类结果I′；
(4)根据最终预分类结果I′提取变化类和未变化类像素点联合特征表达作为训练样本数据Φ，提取未确定类像素点联合特征表达作为待分类样本数据Γ；
(5)构建由两层卷积层、两层maxPooling层、两层全连接层和一层softmax分类器层组成的PolSAR变化检测网络结构Ψ，即第一层为卷积层L1、第二层为maxPooling层L2、第三层为卷积层L3、第四层为maxPooling层L4、第五层为全连接层L5、第六层为全连接层L6、第七层为softmax分类器层L7；
(6)将训练样本数据输入到构建好的卷积神经网络框架Ψ中进行训练，得到训练好的网络框架Ψ′；
(7)将待分类样本数据Γ输入到训练好的卷积神经网络框架Ψ′中，得到未确定类分类结果，将3c)结果I′中变化类和未变化类与通过神经网络得到的未确定类分类结果一起组成变化检测的最终结果。
本发明与现有技术相比具有以下优点：
1)本发明利用二时相PolSAR图像的共有信息和各自特有信息进行联合超像素分割和合并，结合了空间和像素的信息，通过两种信息的交互使用，克服了单独使用像素级或者超像素级方法可能造成误分割的缺点。
2)本发明利用卷积网络在分类任务中的优势，将变化检测问题转化为分类问题进行处理，利用原始数据中提取的已确定区域的信息训练卷积神经网络，进而对未确定区域进行变化检测，相对于传统方法，提高了变化检测的准确率和适应性。
附图说明
图1为本发明的实现流程图；
图2为本发明中的卷积神经网络框架图；
图3为本发明中的联合超像素分割及合并结果；
图4为本发明与现有检测方法在测试图像上得到的检测结果图。
具体实施方式
下面结合附图对本发明的实施方案和效果进行详细说明：
参照图1，本发明的实现步骤如下：
步骤1，对PolSAR二时相图进行超像素分割，并对同质区域内的超像素进行合并。
1a)通过对给定的二时相PolSAR图像进行联合超像素分割，将图像分割为Ns个超像素区域；
1b)获得邻接的超像素对集合D1：
D1＝{(si,sj)|C1(i,j)＝1，i≠j,i,j＝1,2,...,Ns}
其中si和sj为联合分割后的第i个和第j个超像素，C1(i,j)为邻接准则：
1c)通过以下三个准则确定D1中需要合并的超像素对：
1c1)定义超像素si与sj的相似性准则式如下：
C2(i,j)＝||[F1(i),F2(i)]-[F1(j),F2(j)]1
其中F1(i)为PolSAR第一时相对数功率图logSpan1提取的特征向量，F2(i)为PolSAR第二时相对数功率图logSpan2提取的特征向量，i为超像素标号，下标数字为图像序号；
1c2)定义超像素si与sj的空间纹理性准则式如下：
其中H1(i,j)为对logSpan1进行四种尺度的Prewitt核提取的边缘特征向量，H2(i,j)为对logSpan2进行四种尺度的Prewitt核提取的边缘特征向量，|B(si,sj)|为任意两个超像素si与sj的邻接像素数；
1c3)定义超像素si与sj的Wishart距离准则式如下：
C4(i,j)＝||[w1(i,j),w2(i,j)]||1
其中w1(i,j)为PolSAR图像第一时相中超像素si与sj的Wishart距离，w2(i,j)为第二时相中超像素si与sj的Wishart距离；
1c4)确定同时满足1c1)-1c3)这三个准则限制的邻接超像素对集合D2：
D2＝{(si,sj)|Ck(i,j)≤β，(si,sj)∈D1,k＝2,3,4}
其中，β为在[0，1]区间的预设阈值，对三个准则使用相同的阈值；
1c5)将D2中的超像素对进行合并，得到第一时相合并结果图R1和第二时相合并结果R2。
步骤2，根据步骤一结果获得差异图。
2a)计算步骤一中第一时相结果图R1和第二时相结果图R2中相同位置超像素的改进Wishart距离d(si)：
其中为第一时相图中超像素si的平均协方差矩阵，为第二时相图中超像素si的平均协方差矩阵，||为矩阵的行列式符号；
2b)将d(si)作为超像素si对应像素点的值，生成差异图。
步骤3，利用差异图进行预分类。
3a)对2b)得到的差异图进行窗口大小为30×30的大尺度中值滤波；
3b)将原始像素点分为三大类：
3b1)利用FCM算法将差异图分为初始变化类wc和初始未变化类wu两类，并将wc的像素数设为阈值T；
3b2)利用FCM算法将差异图分为类内平均值依次减小的五小类：w1、w2、w3、w4、w5，这五类像素数分别为T1、T2、T3、T4、T5，并将第一小类w1归为变化类设类别初始值t＝1，初始像素数目c＝T1；
3b3)令当前t＝t+1，c＝c+Tt，如果当前c＜T，则将第t小类wt归为未确定类否则将wt归为未变化类
3b4)重复执行3b3)直到t＝5；
3b5)用像素点标签L＝1标记变化类用像素点标签L＝0.5标记未确定类用像素点标签L＝0标记未变化类得到三大类预分类结果I；
3c)对I中像素点(x,y)取5×5的邻域作为操作区域，再计算操作区域中与当前像素标号L(x,y)一致的像素数目，若这些像素数目超过一半，则保持L(x,y)不变，否则L(x,y)＝0.5，得到最终预分类结果图I′。
步骤4，根据3c)中最终预分类结果I′提取变化类和未变化类像素点联合特征表达作为训练样本数据Φ，提取未确定类像素点联合特征表达作为待分类样本数据Γ。
4a)计算原始数据各时相图中每个像素点的3×3极化相干矩阵T；
4b)根据极化相干矩阵T提取分别表示散射总功率的特征A、方向为0°的偶次散射的特征B、方向为45°的二面角散射的特征C：
其中SPAN为极化相干矩阵T的迹，T22为极化相干矩阵T在(2，2)位置的值，T33为极化相干矩阵T在(3，3)位置的值；
4c)将原始数据各时相图进行Pauli极化分解生成伪彩色图像η，将η中每个像素点的三个通道数据作为三个特征D、E、F；
4d)将第一时相图中以坐标(x,y)为中心的9×9邻域内所有像素点的特征A、B、C、D、E、F作为(x,y)点的特征表达l1，其大小为9×9×6；将第二时相图中以坐标(x,y)为中心的9×9邻域内所有像素点的特征A、B、C、D、E、F作为(x,y)点的特征表达l2，其大小为9×9×6；
4e)将(x,y)点在第一时相的特征表达l1和第二时相的特征表达l2按照第一维联结，得到联合特征表达l，其大小为18×9×6；
4f)根据步骤3c)的结果I′将标签L＝1和L＝0的像素点联合特征表达l作为正负训练样本数据Φ，将标签L＝0.5的像素点联合特征表达l作为待分类样本数据Γ。
步骤5，构建PolSAR变化检测网络结构Ψ。
参照图2，本发明使用的卷积神经网络Ψ包括两层卷积层、两层maxPooling层、两层全连接层和一层softmax分类器层，即第一层为卷积层L1、第二层为maxPooling层L2、第三层为卷积层L3、第四层为maxPooling层L4、第五层为全连接层L5、第六层为全连接层L6、第七层为softmax分类器层L7，其中：
第一层卷积层L1，填充参数P＝2，用于对大小为m×n×c的输入数据进行空间填充，生成的数据大小为(m+4)×(n+4)×c；卷积核K1的窗口大小为3×3，滑动步长S1为1，用于对填充后数据进行卷积，输出20个特征图Y1，Y1大小为(m+2)×(n+2)×20，作为第二层输入；
第二层maxPooling层L2，由于本发明实验中输入数据大小为18×9×6，生成的Y1大小为20×11×20，无法进行步幅为2的池化，故取填充参数P＝1，用于对Y1第二维进行0填充，生成数据大小为(m+2)×(n+3)×20，Pooling核U2的窗口大小为2×2，滑动步长S2为2，用于对填充后数据进行降维，输出特征图Y2的大小为(m/2+1)×((n+1)/2+1)×20，作为第三层输入；
第三层卷积层L3，填充参数P＝1，用于对Y2进行空间填充，生成数据大小为(m/2+3)×((n+1)/2+3)×20；卷积核K3的窗口大小为3×3，滑动步长S3为1，用于对填充后数据进行卷积，输出50个特征图Y3，Y3大小为(m/2+1)×((n+1)/2+1)×50，作为第四层输入；
第四层maxPooling层L4，其Pooling核U4的窗口大小为2×2，滑动步长S4为2，用于对第三层卷积层L3输出的特征图进行降维，输出的Y4大小为(m+2)/4)×((n+3)/4)×50，作为第五层输入；
第五层全连接L5，其设有500个神经元，用于将第四层输出Y4的50个特征图分别拉成列向量并进行串联拼接得到e维列向量D，并对列向量D进行非线性映射，输出一个500维列向量X5，作为第六层输入；
第六全连接层L6，其设有2个神经元，用于对第五层全连接层L5输出的500维列向量X5通过ReLU激活函数进行非线性映射，输出一个2维列向量X6，作为第七层输入；
第七层softmax分类器层L7，用于将第六层全连接层得到的2维列向量X6输入到两类softmax分类器中，计算输入数据为变化类与未变化类的概率，根据概率值将输入样本进行分类。
步骤6，将4f)得到的训练样本数据Φ输入到构建好的卷积神经网络框架Ψ中，通过反向传播算法和冲量随机梯度下降法对网络进行训练，参数更新公式：
ωi+1＝ωi+vi+1
其中，vi为第i次迭代时的速度参数，0.9为冲量参数，0.0005为权值衰减系数，i为迭代次数，ε为学习率，ωi为第i次迭代的权值参数，L为损失函数。
网络中权值和偏置利用均值为0，方差为0.01的高斯分布随机初始化，初始速度v设为0。
最终可以得到训练好的网络框架Ψ′。
步骤7，将4f)得到的待分类样本数据Γ输入到训练好的卷积神经网络框架Ψ′中，得到未确定类分类结果，将3c)结果I′中变化类和未变化类与通过神经网络得到的未确定类分类结果作为变化检测的最终结果。
本发明的效果可通过以下实验数据进一步说明：
一.实验条件：
1)实验数据：
本实验所用的实验数据来自于AFRL实验室提供的三通道HH，VV和HV的PolSAR数据，实验所用为两幅配准过的三通道PolSAR图像，场景大小均为1501×1501，两幅图像发生的变化主要为车辆的移动。
2)对比实验方法
像素级Wishart似然比检测记为Wishart、基于Hotelling-Lawley TraceStatistic检验统计量的变化检测记为HLT、似然比变化检测方法记为LR、超像素级Wishart似然比检测记为Region Wishart、基于超像素和多数投票的方法记为SMV。
3)评价准则
使用以下准则对实验结果进行评价：
变化类制图精度Pc、未变化类制图精度Pu、变化类用户精度Uc、未变化类用户精度Uu、虚警数FA、漏警数MA、总体分类精度Pcc、Kappa系数。
二.实验内容：
实验一：用本发明对上述实验数据进行实验，其中超像素分割尺寸设为3，合并准则阈值β设为0.16，其中图3为对PolSAR二时相图进行超像素分割和合并的结果，其中：
图3(a)和图3(b)为原始二时相局部图；
图3(c)和图3(d)为局部分割结果；
图3(e)和图3(f)为局部合并结果。
实验二：用本发明方法与现有方法对上述实验数据进行对比实验，性能参数对比结果如表1所示。
表1本发明方法与现有方法性能参数对比结果
表1中：HLT(0.005)为HLT方法在显著性水平为0.005时的检测结果；
HLT(k-means)为HLT方法对检验统计量进行k-means聚类的结果；
Wishart(0.005)为Wishart方法在显著性水平为0.005时的检测结果；
Wishart(k-means)为Wishart方法对检验统计量进行k-means聚类的结果；
LR(0.1)为LR方法在阈值为0.1的结果；
LR(k-means)为LR方法对检验统计量进行k-means聚类的结果；
SMV(k-means)为SMV方法对检验统计量进行k-means聚类的结果；
Region Wishart(k-means)为Region Wishart方法对检验统计量进行k-means聚类的结果。
从表1中可见，相对于本发明实验结果而言，统计建模方法能够获得较高的检测率，但同时虚警率也很高，这是由于不能够对数据进行精确的统计建模造成的；对于运用超像素分割的方法，分割不准确性或所选特征对于不同数据表现的不同导致Region Wishart和SMV方法并不稳定。而本方法首先借助空间信息得到类别的粗划分结果，然后训练神经网络从数据本身学到优化的特征表达用于分类，避免了统计建模或超像素分割的不准确性带来的误差，表明本发明的方法相比于其他方法更具有优势。
实验三：用本发明方法与现有方法对上述实验数据进行对比实验，变化检测结果如图4所示，其中：
图4(a)和图4(b)为原始二时相图；
图4(c)为真实变化区域图；
图4(d)为本发明方法的变化检测结果图；
图4(e)为HLT(0.005)方法的变化检测结果图；
图4(f)为HLT(k-means)方法的变化检测结果图；
图4(g)为Wishart(0.005)方法的变化检测结果图；
图4(h)为Wishart(k-means)方法的变化检测结果图；
图4(i)为LR(0.1)方法的变化检测结果图；
图4(j)为LR(k-means)方法的变化检测结果图；
图4(k)为SMV(k-means)方法的变化检测结果图；
图4(l)为Region Wishart(k-means)方法的变化检测结果图。
从图4可以看出，本发明检测结果图与人工标注的变化区域图更加接近，检测区平滑和集中，能够更加准确地反映变化区域的形状。
以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于区域信息和CNN的极化SAR图像变化检测方法，包括：
(1)对PolSAR二时相图进行超像素分割，得到Ns个超像素，并对同质区域内的超像素进行合并；
(2)计算二时相图中相同位置超像素的改进Wishart距离d(si)，得到差异图；
(3)利用差异图进行预分类：
3a)对差异图进行窗口尺寸为30×30的中值滤波；
3b)利用差异图通过FCM多分类算法将原始像素点分为三类：像素点标签L＝1的变化类，像素点标签L＝0.5的未确定类，像素点标签L＝0的未变化类，得到预分类结果I；
3c)对预分类结果I在邻域内进行平滑操作，得到最终预分类结果I′；
(4)根据最终预分类结果I′提取变化类和未变化类像素点联合特征表达作为训练样本数据Φ，提取未确定类像素点联合特征表达作为待分类样本数据Γ；
(5)构建由两层卷积层、两层maxPooling层、两层全连接层和一层softmax分类器层组成的PolSAR变化检测网络结构Ψ，即第一层为卷积层L1、第二层为maxPooling层L2、第三层为卷积层L3、第四层为maxPooling层L4、第五层为全连接层L5、第六层为全连接层L6、第七层为softmax分类器层L7；
(6)将训练样本数据输入到构建好的卷积神经网络框架Ψ中进行训练，得到训练好的网络框架Ψ′；
(7)将待分类样本数据Γ输入到训练好的卷积神经网络框架Ψ′中，得到未确定类分类结果，将3c)结果I′中变化类和未变化类与通过神经网络得到的未确定类分类结果一起组成变化检测的最终结果。
2.根据权利要求1所述的方法，其中步骤(1)中对同质区域内的超像素进行合并，按照如下步骤进行：
1a)获得邻接的超像素对集合D1：
D1＝{(si,sj)|C1(i,j)＝1，i≠j,i,j＝1,2,...,Ns}
其中si和sj为联合分割后的第i个和第j个超像素，C1(i,j)为邻接准则：
1b)通过以下三个准则确定D1中需要合并的超像素对：
1b1)定义超像素si与sj的相似性准则式如下：
C2(i,j)＝||[F1(i),F2(i)]-[F1(j),F2(j)]||1
其中F1(i)为PolSAR第一时相对数功率图logSpan1提取的特征向量，F2(i)为PolSAR第二时相对数功率图logSpan2提取的特征向量，i为超像素标号，下标数字为图像序号；
1b2)定义超像素si与sj的空间纹理性准则式如下：
其中H1(i,j)为对logSpan1进行四种尺度的Prewitt核提取的边缘特征向量，H2(i,j)为对logSpan2进行四种尺度的Prewitt核提取的边缘特征向量，|B(si,sj)|为任意两个超像素si与sj的邻接像素数；
1b3)定义超像素si与sj的Wishart距离准则式如下：
C4(i,j)＝||[w1(i,j),w2(i,j)]||1
其中w1(i,j)为PolSAR图像第一时相中超像素si与sj的Wishart距离，w2(i,j)为第二时相中超像素si与sj的Wishart距离；
1b4)确定同时满足1b1)-1b3)这三个准则限制的邻接超像素对集合D2：
D2＝{(si,sj)|Ck(i,j)≤β，(si,sj)∈D1,k＝2,3,4}
其中，β为在[0，1]区间的预设阈值，对三个准则使用相同的阈值；
1b5)将D2中的超像素对进行合并，得到第一时相合并结果图R1和第二时相合并结果R2。
3.根据权利要求1所述的方法，其中步骤(2)中计算Wishart距离d(si)，按如下公式进行：
其中 为第一时相图中超像素si的平均协方差矩阵，为第二时相图中超像素si的平均协方差矩阵，||为矩阵的行列式符号。
4.根据权利要求1所述的方法，其中步骤3b)中利用差异图通过FCM算法将原始像素点分为三类，按照如下步骤进行：
3b1)利用FCM算法将差异图分为初始变化类wc和初始未变化类wu两类，并将wc的像素数设为阈值T；
3b2)利用FCM算法将差异图分为类内平均值依次减小的五小类：w1、w2、w3、w4、w5，这五类像素数分别为T1、T2、T3、T4、T5，并将第一小类w1归为变化类设类别初始值t＝1，初始像素数目c＝T1；
3b3)令当前t＝t+1，c＝c+Tt，如果当前c＜T，则将第t小类wt归为未确定类否则将wt归为未变化类
3b4)重复执行3b3)直到t＝5；
3b5)用像素点标签L＝1标记变化类用像素点标签L＝0.5标记未确定类用像素点标签L＝0标记未变化类得到三大类预分类结果I。
5.根据权利要求1所述的方法，其中3c)中对预分类结果I在邻域内进行平滑操作，是先对I中像素点(x,y)取5×5的邻域作为操作区域，再计算操作区域中与当前像素标号L(x,y)一致的像素数目，若这些像素数目超过一半，则保持L(x,y)不变，否则L(x,y)＝0.5，得到最终预分类结果图I′。
6.根据权利要求1所述的方法，其中步骤(4)中根据最终预分类结果I′提取变化类和未变化类像素点联合特征表达作为训练样本数据Φ，提取未确定类像素点联合特征表达作为待分类样本数据Γ，按如下步骤进行：
4a)计算原始数据各时相图中每个像素点的3×3极化相干矩阵T；
4b)根据极化相干矩阵T提取分别表示散射总功率的特征A、方向为0°的偶次散射的特征B、方向为45°的二面角散射的特征C：
其中SPAN为极化相干矩阵T的迹，T22为极化相干矩阵T在(2，2)位置的值，T33为极化相干矩阵T在(3，3)位置的值；
4c)将原始数据各时相图进行Pauli极化分解生成伪彩色图像η，将η中每个像素点的三个通道数据作为三个特征D、E、F；
4d)将第一时相图中以坐标(x,y)为中心的9×9邻域内所有像素点的特征A、B、C、D、E、F作为(x,y)点的特征表达l1，大小为9×9×6；将第二时相图中以坐标(x,y)为中心的9×9邻域内所有像素点的特征A、B、C、D、E、F作为(x,y)点的特征表达l2，大小为9×9×6；
4e)将(x,y)点在第一时相的特征表达l1和第二时相的特征表达l2按照第一维联结，得到联合特征表达l，大小为18×9×6；
4f)根据步骤3c)的结果I′将标签L＝1和L＝0的像素点联合特征表达l作为正负训练样本数据Φ，将标签L＝0.5的像素点联合特征表达l作为待分类样本数据Γ。
7.根据权利要求1所述的方法，其中步骤(5)中PolSAR变化检测网络结构Ψ中各层参数设置及关系如下：
第一层卷积层L1，填充参数P＝2，用于对大小为m×n×c的输入数据进行空间填充，生成的数据大小为(m+4)×(n+4)×c；卷积核K1的窗口大小为3×3，滑动步长S1为1，用于对填充后数据进行卷积，输出20个特征图Y1，Y1大小为(m+2)×(n+2)×20，作为第二层输入；
第二层maxPooling层L2，由于本发明实验中输入数据大小为18×9×6，Y1大小为20×11×20，无法进行步幅为2的池化，故取填充参数P＝1，用于对Y1第二维进行0填充，生成数据大小为(m+2)×(n+3)×20，Pooling核U2的窗口大小为2×2，滑动步长S2为2，用于对填充后数据进行降维，输出特征图Y2的大小为(m/2+1)×((n+1)/2+1)×20，作为第三层输入；
第三层卷积层L3，填充参数P＝1，用于对Y2进行空间填充，生成数据大小为(m/2+3)×((n+1)/2+3)×20；卷积核K3的窗口大小为3×3，滑动步长S3为1，用于对填充后数据进行卷积，输出50个特征图Y3，Y3大小为(m/2+1)×((n+1)/2+1)×50，作为第四层输入；
第四层maxPooling层L4，其Pooling核U4的窗口大小为2×2，滑动步长S4为2，用于对第三层卷积层L3输出的特征图进行降维，输出的Y4大小为(m+2)/4)×((n+3)/4)×50，作为第五层输入；
第五层全连接L5，其设有500个神经元，用于将第四层输出Y4的50个特征图分别拉成列向量并进行串联拼接得到e维列向量D，并对列向量D进行非线性映射，输出一个500维列向量X5，作为第六层输入；
第六全连接层L6，其设有2个神经元，用于对第五层全连接层L5输出的500维列向量X5通过ReLU激活函数进行非线性映射，输出一个2维列向量X6，作为第七层输入；
第七层softmax分类器层L7，用于将第六层全连接层得到的2维列向量X6输入到两类softmax分类器中，计算输入数据为变化类与未变化类的概率，根据概率值将输入样本进行分类。
CN201810028892.4A 2018-01-12 2018-01-12 基于区域信息和cnn的极化sar图像变化检测方法 Active CN108257154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810028892.4A CN108257154B (zh) 2018-01-12 2018-01-12 基于区域信息和cnn的极化sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810028892.4A CN108257154B (zh) 2018-01-12 2018-01-12 基于区域信息和cnn的极化sar图像变化检测方法

Publications (2)

Publication Number Publication Date
CN108257154A true CN108257154A (zh) 2018-07-06
CN108257154B CN108257154B (zh) 2021-10-29

Family

ID=62726411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810028892.4A Active CN108257154B (zh) 2018-01-12 2018-01-12 基于区域信息和cnn的极化sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN108257154B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697474A (zh) * 2018-12-30 2019-04-30 陕西师范大学 基于迭代贝叶斯的合成孔径雷达影像变化检测方法
CN110059707A (zh) * 2019-04-25 2019-07-26 北京小米移动软件有限公司 图像特征点的优化方法、装置和设备
CN110135309A (zh) * 2019-05-02 2019-08-16 西安电子科技大学 基于深度共享表示的sar图像变化检测方法
CN110827311A (zh) * 2019-11-05 2020-02-21 中铁十一局集团电务工程有限公司 一种基于成像法的电缆导体截面积测量方法及系统
CN112558066A (zh) * 2020-10-30 2021-03-26 西南电子技术研究所（中国电子科技集团公司第十研究所） 双极化sar图像系统
CN112906514A (zh) * 2021-02-03 2021-06-04 北京观微科技有限公司 一种顾及不同极化的时序sar影像地物类别变化检测方法
CN113537177A (zh) * 2021-09-16 2021-10-22 南京信息工程大学 一种基于视觉Transformer的洪涝灾害监测与灾情分析方法
CN116051415A (zh) * 2023-01-31 2023-05-02 西安电子科技大学杭州研究院 一种基于超像素分割的视频sar序贯图像相干斑滤波方法
CN117310705A (zh) * 2023-11-28 2023-12-29 中国石油大学(华东) 一种基于双极化sar影像的洪涝灾害快速检测方法
CN117333468A (zh) * 2023-10-17 2024-01-02 南京北斗创新应用科技研究院有限公司 面向多模式时序PolSAR影像的洪涝灾害监测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110279682A1 (en) * 2009-11-12 2011-11-17 Le Li Methods for Target Tracking, Classification and Identification by Using Foveal Sensors
CN104778719A (zh) * 2015-05-07 2015-07-15 西安电子科技大学 基于二阶统计量扰动分析的sar图像变化检测方法
CN105096315A (zh) * 2015-06-19 2015-11-25 西安电子科技大学 基于Gamma分布的异质超像素SAR图像分割方法
CN105321163A (zh) * 2014-07-31 2016-02-10 中国科学院遥感与数字地球研究所 检测全极化sar图像的变化区域的方法和装置
CN105957086A (zh) * 2016-05-09 2016-09-21 西北工业大学 一种基于优化神经网络模型的遥感图像变化检测方法
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
CN106778821A (zh) * 2016-11-25 2017-05-31 西安电子科技大学 基于slic和改进的cnn的极化sar图像分类方法
US20170235996A1 (en) * 2015-07-28 2017-08-17 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN107239795A (zh) * 2017-05-19 2017-10-10 西安电子科技大学 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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110279682A1 (en) * 2009-11-12 2011-11-17 Le Li Methods for Target Tracking, Classification and Identification by Using Foveal Sensors
CN105321163A (zh) * 2014-07-31 2016-02-10 中国科学院遥感与数字地球研究所 检测全极化sar图像的变化区域的方法和装置
CN104778719A (zh) * 2015-05-07 2015-07-15 西安电子科技大学 基于二阶统计量扰动分析的sar图像变化检测方法
CN105096315A (zh) * 2015-06-19 2015-11-25 西安电子科技大学 基于Gamma分布的异质超像素SAR图像分割方法
US20170235996A1 (en) * 2015-07-28 2017-08-17 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN105957086A (zh) * 2016-05-09 2016-09-21 西北工业大学 一种基于优化神经网络模型的遥感图像变化检测方法
CN106778821A (zh) * 2016-11-25 2017-05-31 西安电子科技大学 基于slic和改进的cnn的极化sar图像分类方法
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
CN107239795A (zh) * 2017-05-19 2017-10-10 西安电子科技大学 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

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
FENG GAO 等: "Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
HANG YU 等: "Context-Based Hierarchical Unequal Merging for SAR Image Segmentation", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
LEI XIE 等: "Superpixel-based PolSAR images change detection", 《2015 IEEE 5TH ASIA-PACIFIC CONFERENCE ON SYNTHETIC APERTURE RADAR (APSAR)》 *
YUE ZHANG 等: "A Fast Superpixel Segmentation Algorithm for PolSAR Images Based on Edge Refinement and Revised Wishart Distance", 《SENSORS》 *
张明哲 等: "基于超像素分割和多方法融合的SAR图像变化检测方法", 《遥感技术与应用》 *
徐真 等: "一种基于CNN的SAR图像变化检测方法", 《雷达学报》 *
韩萍 等: "利用极化距离变换实现极化SAR图像变化检测", 《信号处理》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697474B (zh) * 2018-12-30 2023-05-23 陕西师范大学 基于迭代贝叶斯的合成孔径雷达影像变化检测方法
CN109697474A (zh) * 2018-12-30 2019-04-30 陕西师范大学 基于迭代贝叶斯的合成孔径雷达影像变化检测方法
CN110059707A (zh) * 2019-04-25 2019-07-26 北京小米移动软件有限公司 图像特征点的优化方法、装置和设备
CN110135309A (zh) * 2019-05-02 2019-08-16 西安电子科技大学 基于深度共享表示的sar图像变化检测方法
CN110135309B (zh) * 2019-05-02 2021-09-10 西安电子科技大学 基于深度共享表示的sar图像变化检测方法
CN110827311A (zh) * 2019-11-05 2020-02-21 中铁十一局集团电务工程有限公司 一种基于成像法的电缆导体截面积测量方法及系统
CN110827311B (zh) * 2019-11-05 2023-07-21 中铁十一局集团电务工程有限公司 一种基于成像法的电缆导体截面积测量方法及系统
CN112558066A (zh) * 2020-10-30 2021-03-26 西南电子技术研究所（中国电子科技集团公司第十研究所） 双极化sar图像系统
CN112558066B (zh) * 2020-10-30 2023-08-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 双极化sar图像系统
CN112906514A (zh) * 2021-02-03 2021-06-04 北京观微科技有限公司 一种顾及不同极化的时序sar影像地物类别变化检测方法
US11521379B1 (en) 2021-09-16 2022-12-06 Nanjing University Of Information Sci. & Tech. Method for flood disaster monitoring and disaster analysis based on vision transformer
CN113537177A (zh) * 2021-09-16 2021-10-22 南京信息工程大学 一种基于视觉Transformer的洪涝灾害监测与灾情分析方法
CN116051415A (zh) * 2023-01-31 2023-05-02 西安电子科技大学杭州研究院 一种基于超像素分割的视频sar序贯图像相干斑滤波方法
CN116051415B (zh) * 2023-01-31 2023-07-04 西安电子科技大学杭州研究院 基于超像素分割的视频sar序贯图像相干斑滤波方法
CN117333468A (zh) * 2023-10-17 2024-01-02 南京北斗创新应用科技研究院有限公司 面向多模式时序PolSAR影像的洪涝灾害监测方法
CN117310705A (zh) * 2023-11-28 2023-12-29 中国石油大学(华东) 一种基于双极化sar影像的洪涝灾害快速检测方法
CN117310705B (zh) * 2023-11-28 2024-02-09 中国石油大学(华东) 一种基于双极化sar影像的洪涝灾害快速检测方法

Also Published As

Publication number Publication date
CN108257154B (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN108257154A (zh) 基于区域信息和cnn的极化sar图像变化检测方法
CN111091105B (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
CN106127204B (zh) 一种全卷积神经网络的多方向水表读数区域检测算法
CN105374033B (zh) 基于脊波反卷积网络和稀疏分类的sar图像分割方法
CN106920243A (zh) 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN108009509A (zh) 车辆目标检测方法
CN107341517A (zh) 一种基于深度学习层级间特征融合的多尺度小物体检测方法
CN108171209A (zh) 一种基于卷积神经网络进行度量学习的人脸年龄估计方法
CN109446925A (zh) 一种基于卷积神经网络的电力设备检测算法
CN106096561A (zh) 基于图像块深度学习特征的红外行人检测方法
CN107644415A (zh) 一种文本图像质量评估方法及设备
CN107945153A (zh) 一种基于深度学习的路面裂缝检测方法
CN105893925A (zh) 基于肤色的人手检测方法及装置
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
CN102279929B (zh) 一种基于对象语义树模型的遥感人造地物目标识别方法
CN106611423B (zh) 基于脊波滤波器和反卷积结构模型的sar图像分割方法
CN110263845A (zh) 基于半监督对抗深度网络的sar图像变化检测方法
CN106023257A (zh) 一种基于旋翼无人机平台的目标跟踪方法
CN106875395A (zh) 基于深度神经网络的超像素级sar图像变化检测方法
CN109978882A (zh) 一种基于多模态融合的医疗影像目标检测方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN108447057A (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN108876781A (zh) 基于ssd算法的表面缺陷识别方法
CN108305260A (zh) 一种图像中角点的检测方法、装置及设备
CN106780546A (zh) 基于卷积神经网络的运动模糊编码点的身份识别方法

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