CN109002792A - 基于分层多模型度量学习的sar图像变化检测方法 - Google Patents
基于分层多模型度量学习的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN109002792A CN109002792A CN201810763679.8A CN201810763679A CN109002792A CN 109002792 A CN109002792 A CN 109002792A CN 201810763679 A CN201810763679 A CN 201810763679A CN 109002792 A CN109002792 A CN 109002792A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- image
- layering
- mapping matrix
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于分层多模型度量学习的SAR图像变化检测方法,解决了传统度量不能很好衡量样本间差异信息以及易受到噪声影响的问题。实现步骤有:输入变化前后的遥感图像,构建分层多模型的测试样本;构建包含全部边界的训练样本;利用训练样本获得正负约束对;建立分层多模型获得映射矩阵,将映射矩阵进行矩阵分解;利用分解后的映射矩阵将样本映射到特征空间,在特征空间中对样本进行分类。本发明将两时相图像以及差异图作为三个通道进行分层多模型学习,不仅获得每个通道的差异信息,也获得三个通道之间的差异信息。将全部边界作为训练样本,解决了边界易错分的问题,获得对噪声鲁棒同时精度高的分类效果。用于SAR图像变化检测。
Description
技术领域
本发明属于雷达技术遥感图像处理技术领域,更进一步涉及遥感图像分类识别,具体是一种基于分层多模型度量学习的SAR图像变化检测方法。应用于环境监测、森林资源检测、城市研究、农业调查等方面。
背景技术
基于合成孔径雷达(Synthetic Aperture Radar,SAR)的成像技术相对于其他成像技术有其独特的优势,SAR图像是主动式成像,所以SAR突破了光学遥感受天气等外界条件影响的局限,具有全天候、全天时的工作能力,并且含有相位、幅度和极化等多种信息,弥补了光学图像的不足;该成像技术利用合成孔径技术,得到更高的方位分辨率,利用脉冲压缩技术,得到更高的距离分辨率。因此基于合成孔径雷达的成像技术获得具有丰富地物信息的图像,为SAR图像的应用提供了广阔的前景。
传统的SAR图像变化检测流程主要分为三步:1)对图像进行预处理;2)得到差异图;3)分析差异图。对于差异图的形成,早期人们大多采用差值算子求取,但是由于SAR图像固有的相干斑噪声,会使差异图性能很差,后来人们相继提出对数比算子、均值比算子等。对于差异图分析,采用较多的方法包括阈值法、聚类分析等方法。传统的SAR图像变化检测算法,差异图的好坏直接决定了最终分类结果。但是由于SAR图像固有的相干斑噪声,得到的差异图容易受到相干斑噪声对的影响,通常最终的分类结果不是很好。
无论对于机器学习、模式识别还是数据挖掘,都依赖于输入样本之间距离的度量,它对算法的性能起着至关重要的作用。在距离度量中应用最广泛的是欧几里得距离,尽管欧几里德距离提供了非常简单的用于比较的度量,但是它通常不能精确的表示潜在的数据分布,对于SAR图像变化检测来说,不能很好的区分变化类和非变化类样本之间的距离。
传统的SAR图像变化检测算法,性能的好坏依赖于差异图的形成,而差异图的形成容易受到相干斑噪声的影响,因此不能得到很高的分类精度;而传统的距离度量,大多采用固定的距离求取方式,对于SAR图像变化检测的两个样本,该方法不能精确的表示潜在的数据分布,所以不能很好的度量两个样本之间的距离。
发明内容
本发明针对传统变化检测方法以及传统度量方法的不足,提出了一种精度高且对噪声鲁棒的基于分层多模型度量学习的SAR图像变化检测方法。
(1)输入变化前后的遥感图像,构建分层多模型的测试样本:输入同一地区,不同时刻得到的两幅变化前后的遥感图像;再使用两幅时相图像构建邻域比值差异图;时相1图像、时相2图像以及邻域比值差异图构成分层多模型测试样本的样本来源;
(2)构建包含全部边界的训练样本:训练样本占测试样本的30%,训练样本具体组成包括三部分:在测试样本中,变化类和非变化类边界部分的样本全部选择,然后选择测试样本中变化类样本的50%,剩下的训练样本为测试样本中的非变化类样本;
(3)利用训练样本构建正负约束对:相同类别的两个训练样本组成正约束对,用S表示,即正约束对或为两个变化类样本组成或为两个非变化类样本组成;不同类别的两个训练样本组成负约束对,用D表示;每个约束对的每个样本中均包括时相1图像、时相2图像以及差异图三部分的信息;
(4)为正负约束对赋予标签:正约束对的标签为1,负约束对的标签为-1;
(5)利用正负约束对作为输入,建立分层多模型获得映射矩阵:将时相1图像、时相2图像以及差异图以正负约束对的形式作为分层多模型的三个输入通道,建立分层多模型,分层多模型的输出为两类映射矩阵,分别为每个通道各自的映射矩阵Pk(k=1,2,3)以及所有通道共享的映射矩阵M,分层多模型通过投影子梯度方法交替迭代更新两类映射矩阵,获得最优的两类映射矩阵;
(6)将共享映射矩阵进行矩阵分解:将共享映射矩阵M进行矩阵分解获得最终的半正定共享映射矩阵L,然后通过每个通道各自的映射矩阵Pk(k=1,2,3)和半正定共享映射矩阵L分别将测试样本和训练样本映射到度量差异信息的特征空间;
(7)在特征空间中对测试样本进行分类:将特征空间中的训练样本和测试样本使用K近邻算法(k-Nearest Neighbor,KNN)进行分类,获得最终的SAR图像变化检测结果。
本发明针对传统SAR图像变化检测容易受到相干斑噪声影响的问题,采用一种对噪声鲁棒的距离度量,同时本发明将两个时相图像作为两个通道,然后将邻域比值差异图作为第三个通道,三个通道分别代表样本的不同特征,增加了样本的特征信息,并且三个通道分别训练出每个通道信息各自的映射矩阵,同时训练出三个通道共享的映射矩阵,获得更好的衡量两个样本的差异性信息。因此得到很高的SAR图像变化检测分类结果。
本发明与现有技术相比具有以下优点:
1.本发明在分类之前采用分层多模型度量学习对测试样本进行空间映射,将训练样本和测试样本映射到度量差异信息的特征空间,然后在该特征空间进行分类,通过空间映射,获得更好的两时相图像的差异信息。
2.本发明将两时相图像作为两个通道,将差异图像作为第三通道,对每个通道训练各自的映射矩阵和三个通道的共享映射矩阵,不仅获得每个通道图像的差异信息,也获得三个通道之间的差异信息;同时差异图和时相图像存在相干斑噪声,将包含噪声的三个通道信息使用分层多模型训练学习,能够获得对噪声鲁棒的分类结果。
3.针对SAR图像变化检测中变化和非变化边界易错分的问题,本发明对变化类和非变化类边界样本全部选择,使用选择的边界样本训练的模型,对边界样本学习更加充分,解决了变化类和非变化类边界易错分的问题,提高了分类精度。
附图说明
图1为本发明的流程框图;
图2为由SAR图像说明的流程图;
图3为本发明仿真采用的Bern遥感图像,其中图3(a)为时相1的Bern图像,图3(b)为时相2的Bern图像,图3(c)为Bern的参考图像ground-truth;
图4为本发明仿真采用的Ottawa遥感图像,其中图4(a)为时相1的Ottawa图像,图4(b)为时相2的Ottawa图像,图4(c)为Ottawa的参考图像ground-truth;
图5为本发明仿真采用的San遥感图像,其中图5(a)为时相1的San图像,图5(b)为时相2的San图像,图5(c)为San的参考图像ground-truth;
图6为本发明仿真采用的YelR1遥感图像,其中图6(a)为时相1的YelR1图像,图6(b)为时相2的YelR1图像,图6(c)为YelR1的参考图像ground-truth;
图7为本发明仿真采用的YelR2遥感图像,其中图7(a)为时相1的YelR2图像,图7(b)为时相2的YelR2图像,图7(c)为YelR2的参考图像ground-truth;
图8(a)为使用本发明方法得到的基于图3Bern图像的SAR图像变化检测结果;
图8(b)为使用PCAK方法得到的基于图3Bern图像的SAR图像变化检测结果;
图8(c)为使用MISVM方法得到的基于图3Bern图像的SAR图像变化检测结果;
图9(a)为使用本发明方法得到的基于图4Ottawa图像的SAR图像变化检测结果;
图9(b)为使用PCAK方法得到的基于图4Ottawa图像的SAR图像变化检测结果;
图9(c)为使用MISVM方法得到的基于图4Ottawa图像的SAR图像变化检测结果;
图10(a)为使用本发明方法得到的基于图5San图像的SAR图像变化检测结果;
图10(b)为使用PCAK方法得到的基于图5San图像的SAR图像变化检测结果;
图10(c)为使用MISVM方法得到的基于图5San图像的SAR图像变化检测结果;
图11(a)为使用本发明方法得到的基于图6YelR1图像的SAR图像变化检测结果;
图11(b)为使用PCAK方法得到的基于图6YelR1图像的SAR图像变化检测结果;
图11(c)为用MISVM方法得到的基于图6YelR1图像的SAR图像变化检测结果;
图12(a)为使用本发明方法得到的基于图7YelR2图像的SAR图像变化检测结果;
图12(b)为使用PCAK方法得到的基于图7YelR2图像的SAR图像变化检测结果;
图12(c)为用MISVM方法得到的基于图7YelR2图像的SAR图像变化检测结果。
具体实施方式
下面结合附图对本发明详细描述。
实施例1
与光学图像相比,SAR图像有其独特的优势,它的成像不受天气条件、时段等外界因素的干扰,并且含有相位、幅度和极化等多种信息,弥补了光学图像的不足。因此SAR图像得到广泛的应用,其中SAR图像变化检测就是其重要应用之一。
SAR图像变化检测可以运用于城市发展,通过两幅不同时间同一城市的两幅SAR图像,利用SAR图像变化检测技术,可以观察出城市扩展的速度,用于指导城市建设,为城市的正确发展提供了参考依据。
SAR图像变化检测可以运用到自然灾害评估,相对于其它成像,SAR图像的成像不会受到天气等外界条件的影响,即使在恶劣的情况下仍然能够获得成像质量很高的图像。比如得到地震前后的两幅SAR图像,根据SAR图像变化检测观察出灾害之后的受灾程度,用于更好的指导救灾。
本发明针对传统的SAR图像变化检测对差异图分析易受到相干斑噪声的影响,分类精度不高;以及采用固定的求取距离,不能很好衡量样本之间的差异信息的现状,提出一种对噪声鲁棒同时精度高的分层多模型度量学习的SAR图像变化检测方法。
本发明是一种基于分层多模型度量学习的SAR图像变化检测方法,参见图1和图2,包括有如下步骤:
(1)输入变化前后的遥感图像,构建分层多模型的测试样本:输入同一地区,不同时刻得到的两幅变化前后的遥感图像,参见图2最左侧两幅图像,即时相1图像和时相2图像的两时相图像;再使用两幅时相图像构建邻域比值差异图,参见图2左侧第二列图像;时相1图像、时相2图像以及邻域比值差异图构成分层多模型测试样本的样本来源,首先在3幅图像中独立构建样本,对于每个图像以像素的邻域作为该像素的样本,然后将3幅图像中同一像素位置的三个样本的集合作为该像素的一个测试样本;全部的像素采用相同方法,得到全部的测试样本。
(2)构建包含全部边界的训练样本:训练样本占测试样本总数目的30%,训练样本由3部分组成:在测试样本中,变化类和非变化类边界部分的样本全部选择,作为训练样本的第一部分,然后选择测试样本中变化类样本的50%,作为训练样本的第二部分,对于SAR图像变化检测来说,变化类样本所占比重非常少,通常情况下选取测试样本中变化类样本的50%不会超过该时相图像样本总数的30%;剩下的训练样本即训练样本的第三部分为测试样本中的非变化类样本,训练样本用Xt表示。
(3)利用训练样本构建正负约束对:相同类别的两个训练样本组成正约束对,用S表示;不同类别的两个训练样本为负约束对,用D表示;为了保证训练的模型,不偏向于正约束对或负约束对,所以保证选取的正负约束对的数目相同。
(4)为正负约束对赋予标签:正约束对的标签为1,负约束对的标签为-1;本发明为约束对赋予标签,便于模型的构建和之后的分类。
(5)利用正负约束对作为输入,建立分层多模型获得映射矩阵:将时相1图像、时相2图像以及差异图以正负约束对的形式作为分层多模型的三个输入通道,建立分层多模型,分层多模型的输出为两类映射矩阵,分别为每个通道各自的映射矩阵Pk(k=1,2,3)以及所有通道共享的映射矩阵M,分层多模型通过投影子梯度方法交替迭代更新两类映射矩阵,获得最优的两类映射矩阵;
换句话说,本发明的分层多模型学习时相1图像、时相2图像以及差异图3个通道信息,约束对中的两个样本包括三个通道的信息,因此以正负约束对作为输入,建立分层多模型;分层多模型的思想是为了学习每个通道各自的度量,同时又能学习3个通道之间的关系;该模型需要训练两类映射矩阵:一类映射矩阵为每个通道各自的映射矩阵Pk(k=1,2,3),另一类映射矩阵为所有通道共享的映射矩阵M。分层多模型通过使用投影子梯度方法交替迭代更新两类映射矩阵,从而获得最优的两类映射矩阵。
(6)将共享映射矩阵进行矩阵分解:将共享矩阵M进行矩阵分解获得最终的半正定共享映射矩阵L,然后通过每层特定的映射矩阵Pk(k=1,2,3)以及半正定共享映射矩阵L将原始测试样X映射到度量差异信息的特征空间采用相同方法将训练样本Xt映射到度量差异信息的特征空间
(7)在特征空间中对测试样本进行分类:将映射到特征空间中的训练样本和测试样本使用K近邻算法(k-Nearest Neighbor,KNN)进行分类,获得最终的SAR图像变化检测结果。参数K是和数据集相关的参数,数据集不同参数K有不同的取值,在本例中K近邻算法中参数K=5。
本发明的思路是:为了使用多个通道的信息,首先将两时相图像作为两个通道,然后利用两时相图像构建的邻域比值差异图作为第三个通道,利用三个通道的信息构建测试样本,然后在测试样本中选择包含全部边界的训练样本,解决了对于SAR图像变化检测边界易错分的问题,然后利用训练样本构建正负约束对,利用包含三个通道信息的正负约束对,建立分层多模型,该模型训练出每个通道各自的映射矩阵以及三个通道共享的映射矩阵,对共享映射矩阵进行矩阵分解,通过每个通道各自的映射矩阵以及分解后的共享矩阵,将训练样本和测试样本映射到衡量差异性信息的特征空间,在特征空间中使用KNN分类
实施例2
基于分层多模型度量学习的SAR图像变化检测方法同实施例1,步骤(4)中为正负约束对赋予标签,具体的分配方法如下:
4.1)如果(x1i,x2i)∈S,则为其分配标签yi=1;
4.2)如果(x1i,x2i)∈D,则为其分配标签yi=-1。
本发明在赋予标签时与传统方法不同,传统的方法在分配标签时大多使用1和0,而本发明采用1和-1,主要是为了正负约束对在分层多模型度量学习的优化过程中都起作用,如果对负约束对赋予标签0,会导致负约束差异性的度量不会对模型的优化起作用,距离恒为0。
实施例3
基于分层多模型度量学习的SAR图像变化检测方法同实施例1-2,步骤(5)中利用正负约束对作为输入,建立分层多模型获得映射矩阵,具体包括如下步骤:
本发明中建立度量学习优化形式是为了有效的学习每个通道特有的映射矩阵,同时又能够学习三个通道共享的映射矩阵,所以定义了每个通道的度量矩阵Mk(k=1,2,...,K)满足以下条件:
其中K代表通道总数,在本发明中通道的数量为K=3,Pk为每个通道各自的映射矩阵,M为三个通道共享的映射矩阵。
5.1)建立分层多模型:为了求解上述矩阵,将时相1图像、时相2图像以及差异图以正负约束对的形式作为分层多模型的三个输入通道,建立分层多模型度量学习优化问题的形式为:
其中,xi和xj为约束对中的两个样本,该样本由三个通道的信息组成。代表约束对中像素位置i处的一个样本在第k个通道的信息。K代表通道的数目,本发明中K=3。γ控制着Pk和M对损失函数的相对贡献,μ和β是非负的实数,它们分别确定了两个相似样本的上边界和两个不相似样本的下边界。的计算公式为:
上述建立的分层多模型对于约束对中含噪的两个样本,距离度量易受到噪声的影响,为了获得更鲁棒的模型,本发明建立了引入松弛变量之后的分层多模型。
5.2)引入松弛变量的分层多模型:为了获得更鲁棒的模型,本发明引入松弛变量∈ij>0,将上述优化形式转化为:
对于上述建立的引入松弛变量的分层多模型,是有约束优化形式,问题的优化求解存在一定难度,所以本发明将上述优化形式转化为无约束优化形式的分层多模型。
5.3)无约束优化形式的分层多模型:为了求解上述公式,本发明应用铰链损失函数处理约束条件,将有约束的优化形式转化为无约束优化形式:
其中C是一个正数,用来控制约束在度量和数据样本的相对贡献。α是一个常数,用来控制正约束对和负约束对的相对贡献。令L(M;P1,P2,...,PK)代表上述需要最小化的损失函数,当将Pk(k=1,2,...,K)看成一个变量P时,则上述问题转化为优化求解P和M,该问题是一个双凸优化问题。能够通过控制其中一个去迭代优化另一个来获得最优解。
5.4)训练无约束优化形式的分层多模型:上述使用的铰链损失函数意味着只有当一个约束对违反了距离约束时,才对总体的损失函数有贡献。为了更好的描述,本发明定义了在第t次迭代的其中代表的含义为当固定Pk来更新M时,违反了约束条件的正约束对(负约束对);同理,代表的含义为当固定M来更新Pk时,违反了约束条件的正约束对(负约束对)。具体的数学形式为:
具体更新M和Pk的方式如下:
(1)更新M:固定Pk,可以使用投影子梯度方法进行更新M,它主要包括两个步骤:
(a)Mtmp=Mt-ηgt(M)
其中gt(M)是在t次迭代L(M)的梯度,计算公式为:
其中,是秩为1的矩阵。
(b)Mt+1=VT[Σ]+V
其中,VTΣV代表对Mtmp的特征值分解,将Mtmp投影到半正定空间。
(2)更新P:固定M,每一个Pk可以使用梯度下降方法单独进行更新:
Pk,t=Pk,t-1-ηgt(Pk),k=1,2,...,K
其中gt(Pk)是在t次迭代L(Pk)的梯度,它的计算公式为:
本发明将两时相图像作为两个通道,将差异图像作为第三通道,利用三个通道的信息建立分层多模型,对每个通道训练的各自映射矩阵和三个通道的共享映射矩阵,获得每个通道图像的差异信息以及三个通道之间的差异信息;同时差异图和时相图像存在相干斑噪声,将三个通道信息使用分层多模型训练学习,能够获得对噪声鲁棒的分类结果。
实施例4
基于分层多模型度量学习的SAR图像变化检测方法同实施例1-3,步骤(6)中所述的将映射矩阵进行矩阵分解:
将步骤(5)中得到的共享映射矩阵M通过矩阵分解,得到分解后的共享映射矩阵L,使得LTL=M,利用分解后共享映射矩阵L以及每个通道的各自的映射矩阵Pk(k=1,2,3),将测试样本中的每个样本映射到度量差异信息的特征空间采用相同的方法作用于训练集Xt,得到训练样本度量差异信息的特征空间
下面给出一个完整和详细的例子,对本发明进一步说明
实施例5
基于分层多模型度量学习的SAR图像变化检测方法同实施例1-4,结合附图1和图2,本发明包括有如下步骤:
步骤1,输入变化前后的遥感图像,构建分层多模型的测试样本,包括如下步骤:
1.1)利用时相1图像和时相2图像获得邻域比值差异图,参加图2左边部分;
1.2)每个图像首先作为独立的部分构建样本,对于每个图像,选取像素的邻域拉成列向量作为该像素的特征样本,获得时相1的样本、时相2的样本以及差异图的样本i代表像素点的索引。将时相1图像的样本、时相2图像的样本以及差异图的样本在同一像素位置三个样本的集合,作为多模型情况下的一个样本,可以表示为:
其中,K表示通道的数目,对于本发明K=3,这里
l1代表特征的维度,它等于邻域中像素的个数,l2代表特征的维度,l3代表特征的维度;对于每个模型,邻域的大小可以不同,参加图2中前面部分。
1.3)对每个像素采用相同的操作,得到全部的测试样本X={X1,X2,....,XN},其中N代表测试样本的总数。
步骤2,构建包含全部边界的训练样本,包括如下步骤:
训练样本占测试样本总数目的30%,训练样本具体组成包括3部分:为了解决SAR图像变化检测中变化类与非变化类边界易错分的问题,在测试样本中,变化类和非变化类边界部分的样本全部选择,作为训练样本的第一部分;然后选择测试样本中变化类样本的50%,对于SAR图像变化检测来说,变化类样本所占比重非常少,它通常情况下不会超过测试样本总数的30%;剩下的训练样本为测试样本中的非变化类样本。
步骤3,利用训练样本构建正负约束对:相同类别的两个训练样本组成正约束对,用S表示,即正约束对或者为两个变化类样本组成或为两个非变化类样本组成,同时由两个变化类样本组成的正约束对和两个非变化类样本组成的正约束对数目相同;不同类别的两个训练样本组成为负约束对,用D表示;保证选取的正负约束对的数目相同。
步骤4,为正负约束对赋予标签,分配方法如下:
S={(Xi,Xj)|yij=1};
D={(Xi,Xj)|yij=-1};
正负约束对标签使用1和-1,而不是传统的使用1和0,主要是由于分层多模型决定的,使用-1而不是0可以使负约束对在优化过程中起作用。
步骤5,利用正负约束对作为输入,建立分层多模型获得映射矩阵,具体包括如下步骤:
本发明主要为了求取每个通道各自的映射矩阵Pk以及全部通道的共享矩阵M,因此每个通道的度量矩阵Mk(k=1,2,...,K)满足以下条件:
5.1)建立分层多模型:利用正负约束对作为输入,建立分层多模型度量学习优化问题的形式为:
其中的计算公式为:
其中,K=3为通道的数目,γ控制着Pk和M对损失函数的相对贡献,μ和β是非负的实数,它们分别确定了两个相似样本的上边界和两个不相似样本的下边界。上述建立的分层多模型对于约束对中含噪的两个样本,距离度量易受到噪声的影响,为了获得更鲁棒的模型,本发明建立了引入松弛变量之后的分层多模型。
5.2)引入松弛变量的分层多模型:为了获得更鲁棒的模型,本发明引入松弛变量∈ij>0,将上述优化形式转化为:
对于上述建立的引入松弛变量的分层多模型是有约束优化形式,对于问题的优化求解存在一定难度,本发明将上述优化形式转化为无约束优化形式的分层多模型。
5.3)无约束优化形式的分层多模型:本发明应用铰链损失函数处理约束条件,将有约束转化为无约束优化形式:
其中C是一个正数,用来控制约束在度量和数据样本的相对贡献。α是一个常数,用来控制正约束对和负约束对的相对贡献。令L(M;P1,P2,...,PK)代表上述需要最小化的损失函数,将Pk(k=1,2,...,K)看成一个各自的映射矩阵集合P时,则上述问题转化为优化求解各自的映射矩阵集合P和共享映射矩阵M,该问题是一个双凸优化问题。该问题能够通过控制其中一个去迭代优化另一个来获得最优解。
5.4)训练无约束优化形式的分层多模型:
(1)更新M:固定Pk,可以使用投影子梯度方法进行更新M,它主要包括两个步骤:
(a)Mtmp=Mt-ηgt(M)
其中gt(Pk)是在t次迭代L(Pk)的梯度.
(b)Mt+1=VT[Σ]+V
其中,VTΣV代表对Mtmp的特征值分解,将Mtmp投影到半正定空间。
(2)更新P:固定M,每一个Pk可以使用梯度下降方法单独进行更新:
Pk,t=Pk,t-1-ηgt(Pk),k=1,2,...,K
其中gt(Pk)是在t次迭代L(Pk)的梯度
经过上述优化得到最终的每个通道各自的映射矩阵Pk(k=1,2,...,K)以及共享映射矩阵M。
步骤6,对映射矩阵进行矩阵分解:
将步骤(5)中得到的共享矩阵M通过矩阵分解,得到分解后的共享映射矩阵L,使得LTL=M,利用共享映射矩阵L以及每个通道各自的映射矩阵Pk(k=1,2,...,K),将测试样本中的每个样本映射到度量差异信息的特征空间采用相同的方法作用于训练集Xt,得到训练样本度量差异信息的特征空间
步骤7,在特征空间中对测试样本进行分类:将映射到特征空间中的训练样本和测试样本使用K近邻算法(k-Nearest Neighbor,KNN)进行分类,获得最终的SAR图像变化检测结果。其中K近邻算法中K=5。
无论对于机器学习、模式识别还是数据挖掘,都依赖于输入样本之间距离的度量,它对算法的性能起着至关重要的作用。但是现在很多的距离度量,不能从训练的数据出发,找到一种合适的距离度量。同时基于SAR图像的变化检测近年来在环境监测、森林资源检测、城市研究以及农业调查等方面发挥着关键作用。本发明将一种分层多模型度量学习的思想运用到变化检测中,每个模型的度量需要通过两个矩阵相乘确定:其中一个矩阵是当前模型特定的矩阵,另一个矩阵是所有模型的共享矩阵。本发明将上述方法在五个不同的数据集上进行实验,来说明该发明方法的有效性。
本发明将两时相图像作为两个通道,将差异图像作为第三通道,对每个通道训练特有映射矩阵和三个通道的共享映射矩阵,不仅获得每个通道图像的差异信息,也获得三个通道之间的差异信息;同时差异图和时相图像存在相干斑噪声,将三个通道信息使用分层多模型训练学习,能够获得对噪声鲁棒的分类结果。针对SAR图像变化检测中变化和非变化边界易错分的问题,本发明对边界样本全部选择,使用选择的边界样本训练的模型,对边界样本学习更加充分,解决了变化类和非变化类边界易错分的问题,提高了分类精度。
下面结合仿真图对本发明的效果进一步说明。
实施例6
基于分层多模型度量学习的SAR图像变化检测方法同实施例1-5,
仿真条件:
在WINDOWS 10系统上使用Matlab2015b进行仿真。
仿真内容:
本发明的仿真实验使用了5组多时相SAR图像数据集:
第一组数据集的两幅图像是通过欧洲遥感2号星载SAR传感器分别于1999年4月和1999年5月在瑞士的Bern地区拍摄的,图像的分辨率30m,图像的大小为301×301,参见图3。
第二组数据集的两幅图像是通过RADARSAT-SAR卫星分别与1997年5月和1997年8月在加拿大的Ottawa地区拍摄的,图像的分辨率为12m,图像的大小为390×350,参见图4。
第三组数据集的两幅图像是通过ERS-2SAR传感器分别在2003年8月和2004年5月在美国的旧金山地区拍摄的,图像的分辨率为25m,图像的大小为256×256,参见图5。
第四组和第五组数据集是两组黄河的数据集,该数据集是采用RADARSAT-2传感器分别在2008年6月和2009年6月在中国山东省东营地区拍摄的,图像的分辨率8m,图像的大小分别为400*300和257*289,参见图6和图7。
仿真结果评价指标:
对于变化检测的评价指标,本发明采用了错检数(False Positive,FP)、漏检数(False Negative,FN)、总错误数(Overall Error,OE)以及Kappa系数(KappaCoefficient,KC)作为评判变化检测性能的好坏,其中FP代表ground-truth属于非变化类,但是检测的结果为变化类的样本点的个数;FN代表ground-truth属于变化类,但是检测结果为非变化类的样本点的个数;OE代表错误检测的总样本点的个数,即FN与FP的和;Kappa系数衡量的是最终产生的变化检测图与ground-truth的接近程度,它的计算公式为:
其中,TP代表ground-truth属于变化类同样检测结果也为变化类的样本点的个数;TN代表ground-truth属于非变化类同样检测结果也为非变化类的样本点的个数;N代表所有的样本点的个数。对于FP、FN、OE来说,其值越小,表示该变化检测方法的性能越好,反之,表示方法的性能较差;而对于Kappa系数来说,它的范围在0~1之间,其值越接近1,表示性能越好。
验证方法说明:
为了体现本发明用于变化检测的有效性,将本发明与两种常用于SAR图像变化检测的算法进行对比实验:
a)为了体现相对传统SAR图像变化检测,分层多模型对差异性信息学习的性能,将由对数比算子构成差异图,然后使用PCA进行降维,最终使用k均值聚类算法分类的SAR图像变化检测算法与本发明进行对比,将该对比方法记为PCAK方法。
b)为了体现本发明分层多模型对噪声鲁棒以及对差异性信息学习的能力,将由混合信息构建相似性图像,然后使用支撑矢量机分类的SAR图像变化检测算法与本发明进行对比,将该对比方法记为MISVM。
c)本发明所述的基于分层多模型度量学习的SAR图像变化检测方法。
实验结果分析:
分别使用上述两种方法在五组SAR图像数据集上进行测试。
图8所示为使用三种方法在Bern图像,参见图3,数据集上进行SAR图像变化检测得到的结果图像。从图8(b)可以看出,PCAK方法对噪声比较敏感,检测出很多噪声点,同时对变化类和非变化类边界的检测不好,尤其是Bern图像变化区域的下部。从图8(c)可以看出,MISVM方法相对于PCAK,在Bern数据集上对噪声抑制比较好,但是在中间仍然有部分噪声。而本发明方法,参见图8(a),相对于PCAK和MISVM两种方法,很好的抑制了相干斑噪声,同时对于变化和非变化边界区域检测很好,在对噪声鲁棒的同时很好的保留了边界的细节,达到了很好的性能。
图9所示为使用三种方法在Ottawa图像,参见图4,数据集上进行SAR图像变化检测得到的结果图像。从图9(b)中可以看出,PCAK方法会出现一些错检,主要集中在左下部分,同时对于中上大部分的变化区域也不能很好的检测出。从图9(c)中可以看出,MISVM方法对于Ottawa得到较差的性能,检测出的噪声点很多,尤其在图像下半部分,同时对与边界区域也不能很好的检测。图9(a)中可以看出,本发明方法只是在左下部分有小部分错检,对于中上大部分的变化区域能够正确的检测,同时该发明方法很好的检测出变化和非变化的边界信息,得到很好的性能。
图10所示为使用三种方法在San图像,参见图5,数据集上进行SAR图像变化检测得到的结果图像。从图10(b)可以看出,PCAK方法会有大片区域的噪声点检测出,尤其在图像中上和中下部分,同时从中间凹进去的部分可以看出,变化和非变化边界检测很模糊,造成很多错检。从图10(c)可以看出,MISVM方法也检测出大片噪声点,尤其在图像下部分,同时从中间区域可以看出,该方法错检率很高,轮廓信息基本全部被淹没。参见图10(a)本发明方法得到很好的性能,对噪声极其鲁棒,没有出现很多错检的杂点,同时很好的检测出中间凹进去的边界信息。
图11所示为使用三种方法在YelR1图像,参见图6,数据集上进行SAR图像变化检测得到的结果图像。从图11(b)中可以看出,PCAK方法极其容易受到噪声的影响,尤其在图像的上部和下部,检测出很多的噪声点。从图11(c)中可以看出,MISVM方法同样容易受到噪声的影响,尤其在图像的上部和右下部检测出很多噪声点,但是对于该数据集,MISVM检测出很好的边缘信息,只是在右下部分边界检测不是很好。从图11(a)中可以看出,本发明方法显示了对噪声极其鲁棒的效果,抑制了噪声导致的错检,同时对于图像的边界保持很好,获得很好的性能。
图12所示为使用三种方法在YelR2图像,参见图(7),数据集上进行SAR图像变化检测得到的结果图像。相对于其它4个数据集,该数据集受到了很强的相干斑噪声的影响。从图12(a)(b)(c)中可以看出,PCAK方法受到相干斑噪声的影响,错分率特别高,同时边界检测极其模糊。MISVM方法同样受到相干斑噪声的影响,会出现大区域的错分,但是该方法对于边界信息检测很好,不能很好的权衡噪声抑制和图像边界细节的保留。本发明方法显示了极强的对噪声鲁棒的能力,很好的抑制了大部分的噪声,只是在左上部分出现小部分的错检,同时本发明很好的检测出了图像的边界信息,很好的做到了对噪声鲁棒同时又能很好的保持图像边界的检测。
基于以上分析,可以得出:PCAK方法和MISVM方法对于SAR图像固有的相干斑噪声很敏感,很容易受到相干斑噪声的影响,同时对于变化区域和非变化区域的轮廓会出现模糊,这两种方法不能很好的权衡去噪和保留图像细节的矛盾,虽然对于Bern数据集MISVM得到很好的性能,但是该方法对于其他数据集得不到很好的性能,所以普适性不好。而本发明方法,选取了极其容易错分的边界样本进行训练,充分学习了边界信息,对边界进行有效的学习,同时使用分层多模型的方法利用多个通道的信息对差异信息进行学习,对于相干斑噪声极其鲁棒,很好的处理了克服噪声的同时又不丢失图像的细节信息。
实施例7
基于分层多模型度量学习的SAR图像变化检测方法同实施例1-5,仿真条件和仿真内容同实施例6
实施例6中针对图像可视化进行分析,为了获得更加充分性能评价,从数据的角度进行分析。
表1三种方法在五个数据集中的结果性能评价表
从数据的角度分析,如表1所示:
对于Bern数据集,PCAK错检数和漏检数都很高,导致总的错误数很高,Kappa系数很小。对于MISVM方法,错检数和漏检数相对于PCAK方法都小,得到很好的性能,而本发明方法相对于其它两种方法,无论对于错检数还是漏检数都是最低的,因此Kappa系数也是最大的,所以性能也是最高的。
对于Ottawa数据集,MISVM方法的错检数和漏检数都是最高的,PCAK方法居中,而本发明方法无论是错检数还是漏检数都是最低的,低了一个数量级,因此性能也是最好的。
对于San数据集,MISVM方法的错检数和漏检数都是最高的,性能也是最差的,PCAK方法,错检数相对于本方法错检数高很多,但是对于漏检数虽然很低,但是与本发明方法是同时数量级的,因此最终本发明的方法同样是性能最好的。
对于YelR1数据集,MISVM方法错检数是最高的,PCAK方法居中,本发明方法最小,但是MISVM方法与PCAK方法的错检数相同数量级的,而本发明方法的错检数小一个数量级;对于漏检数,PCAK是最高的,与MISVM相当,而本发明方法漏检数很低,因此本发明方法的性能很高。
对于YelR2数据集,相对于PCAK方法,MISVM方法错检数也是很高的,但是二者漏检数相当,与本发明方法相比,二者的错检数和漏检数都很高。而本发明方法无论是错检数和漏检数都很低,所以性能很高。
对于以上五组数据集,本发明的方法的Kappa系数都是最高的,总错误数也都是最少的,同时MISVM方法对于Bern数据集上的性能很高,但是对于其他数据集上的性能不是很好;对于PCAK方法在每组数据集上的实验性能都很平均,但是每种方法的性能都不是很高,但是本发明的方法在五组数据集上Kappa系数都是最高,表现了很好的性能,同时又体现了很好的普适性。
综上所述,本发明提供的一种基于分层多模型度量学习的SAR图像变化检测方法,解决了传统度量不能很好衡量样本间差异信息以及传统SAR图像易受到相干斑噪声的影响的问题。实现步骤有:输入变化前后的遥感图像获得邻域比差异图,将两时相图像和差异图作为样本来源,构建分层多模型的测试样本;利用测试样本构建包含全部边界的训练样本;利用训练样本获得正负约束对;将实相1图像、实相2图像和差异图像作为三个通道,建立分层多模型获得每个通道各自的映射矩阵以及三个通道的共享映射矩阵,将共享映射矩阵进行矩阵分解;利用分解后的共享映射矩阵和每个通道各自的映射矩阵将测试样本和训练样本映射到特征空间,在特征空间中使用K近邻算法对测试样本进行分类。本发明将两时相图像以及差异图像作为三个通道,进行分层多模型学习,不仅获得每个通道图像的差异信息,也获得三个通道之间的差异信息。由于时相图像和差异图中存在SAR图像固有的相干斑噪声,利用含噪的样本进行学习,获得对噪声鲁棒的训练结果,同时将全部边界用于学习,解决了SAR图像边界信息易错分的问题。获得对噪声鲁棒同时精度高的分类效果。
Claims (5)
1.一种基于分层多模型度量学习的SAR图像变化检测方法,其特征在于,包括有如下步骤:
(1)输入变化前后的遥感图像,构建分层多模型的测试样本:输入同一地区,不同时刻得到的两幅变化前后的遥感图像;再使用两幅时相图像构建邻域比值差异图;时相1图像、时相2图像以及邻域比值差异图构成分层多模型测试样本的样本来源;
(2)构建包含全部边界的训练样本:训练样本占测试样本的30%,训练样本具体组成包括三部分:在测试样本中,变化类和非变化类边界部分的样本全部选择,然后选择测试样本中变化类样本的50%,剩下的训练样本为测试样本中的非变化类样本;
(3)利用训练样本构建正负约束对:相同类别的两个训练样本组成正约束对,用S表示,即正约束对或者为两个变化类样本组成或为两个非变化类样本组成;不同类别的两个训练样本组成负约束对,用D表示;每个约束对的每个样本中均包括时相1图像、时相2图像以及差异图三部分的信息;
(4)为正负约束对赋予标签:正约束对的标签为1,负约束对的标签为-1;
(5)利用正负约束对作为输入,建立分层多模型获得映射矩阵:将时相1图像、时相2图像以及差异图以正负约束对的形式作为分层多模型的三个输入通道,建立分层多模型,分层多模型的输出为两类映射矩阵,分别为每个通道各自的映射矩阵Pk(k=1,2,3)以及所有通道共享的映射矩阵M,分层多模型通过投影子梯度方法交替迭代更新两类映射矩阵,获得最优的两类映射矩阵;
(6)将共享映射矩阵进行矩阵分解:将共享映射矩阵M进行矩阵分解获得最终的半正定共享映射矩阵L,然后通过每个通道各自的映射矩阵Pk(k=1,2,3)和半正定共享映射矩阵L分别将测试样本和训练样本映射到度量差异信息的特征空间;
(7)在特征空间中对测试样本进行分类:将特征空间中的训练样本和测试样本使用K近邻算法(k-Nearest Neighbor,KNN)进行分类,获得最终的SAR图像变化检测结果。
2.根据权利要求1所述的基于分层多模型度量学习的SAR图像变化检测方法,其特征在于,步骤(1)中输入变化前后的遥感图像,构建分层多模型的测试样本,具体包括有如下步骤:
1.1)使用两幅时相图像求取邻域比值差异图;将时相1、时相2和邻域比差异图分别作为分层多模型样本的来源;
1.2)每个图像作为独立部分构建样本,对于每个图像以像素的邻域作为该像素的样本,然后将三幅图像中同一像素位置的三个样本的集合作为该像素分层多模型的一个测试样本,即每个像素包括三个特征向量,分别由时相1图像、时相2图像以及差异图像取邻域拉成的列向量组成,对于每个模型,邻域的大小可以不同;
1.3)对每个像素采用相同方法,得到全部的测试样本。
3.根据权利要求1所述的基于分层多模型度量学习的SAR图像变化检测方法,其特征在于,步骤(4)中的为正负约束对赋予标签,具体的分配方法如下:
4.1)如果(Xi,Xj)∈S,则为其分配标签yij=1;
4.2)如果(Xi,Xj)∈D,则为其分配标签yij=-1。
4.根据权利要求1所述的基于分层多模型度量学习的SAR图像变化检测方法,其特征在于,步骤(5)利用正负约束对作为输入,建立分层多模型获得映射矩阵:
分层多模型的主要思想:学习两类映射矩阵,分别为每个通道各自的映射矩阵Pk(k=1,2,3)以及所有通道共享的映射矩阵M。它们之间满足以下关系:
5.1)建立分层多模型:为了求解上述矩阵,将时相1图像、时相2图像以及差异图以正负约束对的形式作为分层多模型的三个输入通道,建立分层多模型度量学习优化问题的形式为:
其中,K=3为通道的数目,γ控制着Pk和M对损失函数的相对贡献,μ和β是非负的实数,它们分别确定了两个相似样本的上边界和两个不相似样本的下边界。上述建立的分层多模型容易受到噪声影响,鲁棒性不强,为了获得更鲁棒的模型,本发明建立了引入松弛变量的分层多模型。
5.2)引入松弛变量的分层多模型:为了获得更鲁棒的模型,本发明引入松弛变量∈ij>0,将上述优化形式转化为:
对于上述建立的引入松弛变量的分层多模型,是有约束优化形式,问题的优化求解存在一定难度,所以本发明将上述优化形式转化为无约束优化形式的分层多模型。
5.3)无约束优化形式的分层多模型:本发明应用铰链损失函数处理约束条件,将有约束的优化形式转化为无约束优化形式:
其中C是一个正数,用来控制约束在度量和数据样本的相对贡献。α是一个常数,用来控制正约束对和负约束对的相对贡献。令L(M;P1,P2,...,PK)代表上述需要最小化的损失函数,当将Pk(k=1,2,3)看成一个变量P时,则上述问题转化为优化求解P和M,该问题是一个双凸优化问题。能够通过控制其中一个去迭代优化另一个来获得最优解。
5.4)训练无约束优化形式的分层多模型:具体的更新M和Pk的方式如下:
(1)更新M:固定Pk,可以使用投影子梯度方法进行更新M,它主要包括两个步骤:
(a)Mtmp=Mt-ηgt(M)
其中gt(M)是在t次迭代L(M)的梯度,它的计算公式为:
其中,是一个秩为1的矩阵。和的计算公式为:
(b)Mt+1=VT[Σ]+V
其中,VTΣV代表对Mtmp的特征值分解,将Mtmp投影到半正定空间。
(2)更新P:固定M,每一个Pk可以使用梯度下降方法单独进行更新:
Pk,t=Pk,t-1-ηgt(Pk),k=1,2,...,K
其中gt(Pk)是在t次迭代L(Pk)的梯度,它的计算公式为:
其中和的计算公式为:
。
5.根据权利要求1所述的基于分层多模型度量学习的SAR图像变化检测方法,其特征在于,步骤(6)将共享映射矩阵进行矩阵分解,具体是:
将共享映射矩阵M通过矩阵分解,得到分解后的共享映射矩阵L,使得LTL=M,利用共享映射矩阵L以及每个通道各自的映射矩阵Pk(k=1,2,3),将测试样本中的每个样本映射到度量差异信息的特征空间采用相同的方法作用于训练集Xt,得到训练样本度量差异信息的特征空间
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810763679.8A CN109002792B (zh) | 2018-07-12 | 2018-07-12 | 基于分层多模型度量学习的sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810763679.8A CN109002792B (zh) | 2018-07-12 | 2018-07-12 | 基于分层多模型度量学习的sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109002792A true CN109002792A (zh) | 2018-12-14 |
CN109002792B CN109002792B (zh) | 2021-07-20 |
Family
ID=64599187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810763679.8A Active CN109002792B (zh) | 2018-07-12 | 2018-07-12 | 基于分层多模型度量学习的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002792B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506753A (zh) * | 2020-03-09 | 2020-08-07 | 北京三快在线科技有限公司 | 推荐方法、装置、电子设备及可读存储介质 |
WO2020202505A1 (en) * | 2019-04-03 | 2020-10-08 | Nec Corporation | Image processing apparatus, image processing method and non-transitoty computer readable medium |
CN111815621A (zh) * | 2020-07-27 | 2020-10-23 | 北京联想软件有限公司 | 一种数据处理方法、装置及电子设备 |
CN116385866A (zh) * | 2023-02-09 | 2023-07-04 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871039A (zh) * | 2014-03-07 | 2014-06-18 | 西安电子科技大学 | 一种sar图像变化检测差异图生成方法 |
CN105550687A (zh) * | 2015-12-02 | 2016-05-04 | 西安电子科技大学 | 一种基于isa模型的rgb-d图像的多通道融合特征提取方法 |
CN105632502A (zh) * | 2015-12-10 | 2016-06-01 | 江西师范大学 | 一种基于加权成对约束度量学习算法的说话人识别方法 |
CN105956629A (zh) * | 2016-04-20 | 2016-09-21 | 苏州大学 | 一种模式分类方法及模式分类系统 |
US9647740B1 (en) * | 2016-10-25 | 2017-05-09 | Motorola Mobility Llc | Proximal user detection with a complex measurement receiver |
CN106919909A (zh) * | 2017-02-10 | 2017-07-04 | 华中科技大学 | 一种行人重识别的度量学习方法和系统 |
CN107123125A (zh) * | 2017-03-29 | 2017-09-01 | 西安电子科技大学 | 基于散射特征与低秩稀疏模型的极化sar变化检测方法 |
CN107145826A (zh) * | 2017-04-01 | 2017-09-08 | 浙江大学 | 基于双约束度量学习和样本重排序的行人再识别方法 |
CN107358625A (zh) * | 2017-06-12 | 2017-11-17 | 西安电子科技大学 | 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 |
CN107506700A (zh) * | 2017-08-07 | 2017-12-22 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
-
2018
- 2018-07-12 CN CN201810763679.8A patent/CN109002792B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871039A (zh) * | 2014-03-07 | 2014-06-18 | 西安电子科技大学 | 一种sar图像变化检测差异图生成方法 |
CN105550687A (zh) * | 2015-12-02 | 2016-05-04 | 西安电子科技大学 | 一种基于isa模型的rgb-d图像的多通道融合特征提取方法 |
CN105632502A (zh) * | 2015-12-10 | 2016-06-01 | 江西师范大学 | 一种基于加权成对约束度量学习算法的说话人识别方法 |
CN105956629A (zh) * | 2016-04-20 | 2016-09-21 | 苏州大学 | 一种模式分类方法及模式分类系统 |
US9647740B1 (en) * | 2016-10-25 | 2017-05-09 | Motorola Mobility Llc | Proximal user detection with a complex measurement receiver |
CN106919909A (zh) * | 2017-02-10 | 2017-07-04 | 华中科技大学 | 一种行人重识别的度量学习方法和系统 |
CN107123125A (zh) * | 2017-03-29 | 2017-09-01 | 西安电子科技大学 | 基于散射特征与低秩稀疏模型的极化sar变化检测方法 |
CN107145826A (zh) * | 2017-04-01 | 2017-09-08 | 浙江大学 | 基于双约束度量学习和样本重排序的行人再识别方法 |
CN107358625A (zh) * | 2017-06-12 | 2017-11-17 | 西安电子科技大学 | 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 |
CN107506700A (zh) * | 2017-08-07 | 2017-12-22 | 苏州经贸职业技术学院 | 基于广义相似性度量学习的行人再识别方法 |
Non-Patent Citations (4)
Title |
---|
CAIMING XIONG 等: "Efficient Max-Margin Metric Learning", 《ECDM》 * |
CAIMING XIONG 等: "Random forests for metric Learning with implicit pairwise position dependence", 《PROCEEDINGS OF THE 18TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING》 * |
WANGMENG ZUO 等: "Distance Metric Learning via Iterated Support Vector Machines", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
卞则康 等: "基于混合距离学习的鲁棒的模糊C均值聚类算法", 《智能系统学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020202505A1 (en) * | 2019-04-03 | 2020-10-08 | Nec Corporation | Image processing apparatus, image processing method and non-transitoty computer readable medium |
US20220172378A1 (en) * | 2019-04-03 | 2022-06-02 | Nec Corporation | Image processing apparatus, image processing method and non-transitory computer readable medium |
JP2022528326A (ja) * | 2019-04-03 | 2022-06-10 | 日本電気株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
JP7306473B2 (ja) | 2019-04-03 | 2023-07-11 | 日本電気株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
CN111506753A (zh) * | 2020-03-09 | 2020-08-07 | 北京三快在线科技有限公司 | 推荐方法、装置、电子设备及可读存储介质 |
CN111506753B (zh) * | 2020-03-09 | 2023-09-12 | 海南两心科技有限公司 | 推荐方法、装置、电子设备及可读存储介质 |
CN111815621A (zh) * | 2020-07-27 | 2020-10-23 | 北京联想软件有限公司 | 一种数据处理方法、装置及电子设备 |
CN116385866A (zh) * | 2023-02-09 | 2023-07-04 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
CN116385866B (zh) * | 2023-02-09 | 2024-05-10 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 基于sar图像的铁路沿线彩钢房变化检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109002792B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002792A (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN110211097A (zh) | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 | |
CN110287927A (zh) | 基于深度多尺度和上下文学习的遥感影像目标检测方法 | |
CN109409263A (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN111191629B (zh) | 一种基于多目标的图像能见度检测方法 | |
CN104680542B (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN108009509A (zh) | 车辆目标检测方法 | |
CN110287932A (zh) | 基于深度学习图像语义分割的道路阻断信息提取 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN107358223A (zh) | 一种基于yolo的人脸检测与人脸对齐方法 | |
CN108875794A (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN110135522A (zh) | 一种检测与标注遥感图像小目标一体化的智能方法 | |
Wan et al. | AFSar: An anchor-free SAR target detection algorithm based on multiscale enhancement representation learning | |
CN108846381A (zh) | 基于最大边缘度量学习的sar图像变化检测方法 | |
CN108537790A (zh) | 基于耦合翻译网络的异源图像变化检测方法 | |
CN104751185A (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
CN108334859A (zh) | 一种基于细粒度特征的光学遥感舰船型号识别众包系统 | |
CN113191359B (zh) | 基于支持与查询样本的小样本目标检测方法与系统 | |
CN113671599A (zh) | 一种基于全球气候模式的登陆气旋识别方法 | |
Liu et al. | A novel deep framework for change detection of multi-source heterogeneous images | |
CN104008397B (zh) | 一种基于图像集的目标跟踪算法 |
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 |