CN109272534B - 基于多粒度级联森林模型的sar图像变化检测方法 - Google Patents
基于多粒度级联森林模型的sar图像变化检测方法 Download PDFInfo
- Publication number
- CN109272534B CN109272534B CN201811034359.5A CN201811034359A CN109272534B CN 109272534 B CN109272534 B CN 109272534B CN 201811034359 A CN201811034359 A CN 201811034359A CN 109272534 B CN109272534 B CN 109272534B
- Authority
- CN
- China
- Prior art keywords
- granularity
- class
- map
- forest model
- haar
- 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
Images
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
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
Abstract
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种SAR图像变化检测方法,可用于环境检测、农业调查、自然灾害检测、森林资源监测等。
背景技术
合成孔径雷达SAR具有高分辨率,可全天时、全天候工作的优势,被广泛应用于民用和军事领域。目前,自然环境的恶劣变化,城市的迅速发展,使得图像变化检测技术迅速崛起。
变化检测是用于检测同一地点在一段时间内所发生的变化情况,传统的变化检测方法采用Bruzzone等人在2002年提出的经典三步流程范式:1)预处理;2)生成差异图;3)分析差异图。由于SAR图像深受相干斑的影响,这种传统的方法的检测结果很大程度上依赖于差异图的性能,往往当差异图的性能不好时,产生的精度会很低。为了克服这个缺点,可利用具有强大的抽象表达能力的深度学习来进行变化检测。
随着近年来深度学习的火热,深度学习的应用越来越频繁。理论分析证明,深度学习能够学习表达抽象的复杂函数,深度结构由多层非线性结构组成。很多学者都利用深度学习来解决变化检测问题,例如Gong等人提出基于深度神经网络的SAR图像变化检测,利用堆叠的限制性波尔兹曼机,通过逐层的预训练及对整个网络的精调,取得了较高的精度;如Gao等人提出的基于PCANet的SAR图像变化检测,利用一种简化的CNN模型 PCANet从多时相图像中提取鲁棒的更易于分类的特征来实现变化检测。
上述大多数利用深度学习进行变化检测的方法是基于深度神经网络的,由于深度神经网络需要大量的训练样本,但是实际中可用于训练的具有标签的样本非常有限,这会严重影响此方法的性能;其次深度神经网络的超参数很多,调参困难,导致效率较低。
发明内容
本发明的目的在于针对传统方法的不足,提出一种基于多粒度级联森林模型的SAR 图像变化检测方法,以避免检测结果对差异图的强依赖性,减少训练所需要的样本数及可调节超参数的个数,提高检测精度和效率。
为实现上述目的,本发明基于多粒度级联森林模型的SAR图像变化检测方法,包括如下:
1.一种基于多粒度级联森林模型的SAR图像变化检测方法,其特征在于,包括如下步骤:
(1)给定两幅配准的具有相同尺寸的多时相SAR图像I1和I2,并对I1和I2使用对数比算子,生成归一化的差异图Id;
(2)以归一化的差异图Id的每个像素点为中心按大小为21×21取块,每个图像块作为一个样本,也就是每个样本对应一个像素点,然后对每个样本提取类哈尔特征;
(3)随机选取少量样本作为训练样本,利用训练样本的类哈尔特征对多粒度级联森林模型进行训练,得到训练好的多粒度级联森林模型;
(5)生成两个概率图I1和I0
将所有样本的类哈尔特征输入到已训练好的多粒度级联森林模型,得到每个样本属于变化类的概率p1和属于非变化类的概率p0,其中,对每个样本有p1+p0=1,用所有样本中属于变化类的概率p1构成第一概率图I1,用所有样本中属于非变化类的概率p0 构成第二概率图I0;
(6)利用差异图Id、第一概率图I1和第二概率图I0构成新特征,重新训练多粒度级联森林模型,得到新预测结果并将新预测结果的Kappa系数与上一次预测结果的Kappa系数进行比较,选择Kappa系数较高的预测结果作为最终的变化检测结果。
本发明与现有技术相比具有以下优点:
第一,由于本发明提取了输入SAR图像的差异图的类哈尔特征,并利用该特征对多粒度级联森林模型进行训练,两者的结合克服了传统方法对差异图的强依赖性,提高了SAR图像变化检测的精度。
第二,由于本发明采用了多粒度级联森林进行变化检测,在训练样本数量较少的情况下也能保持很好的检测效果;且多粒度级联森林的超参数较少,便于调节。
第三,由于本发明采用的多粒度级联森林是一种基于决策树的集成方法,便于对模型进行并行处理,可同时保证较高的检测准确率和时间效率。
附图说明
图1为本发明的实现流程图;
图2为用本发明对黄河农田C地区SAR图像的变化检测的仿真实验结果图;
图3为用本发明对黄河农田D地区SAR图像的变化检测的仿真实验结果图;
图4为用本发明对Bern地区SAR图像的变化检测的仿真实验结果图。
具体实施方式
下面结合图1对本发明的实施例和效果进行详细的描述。
参照图1,本发明的实现步骤如下:
步骤1:生成归一化的差异图。
(1a)给定两幅配准的具有相同的尺寸的多时相SAR图像I1和I2,对I1和I2使用对数比算子,生成差异图:
其中,log代表取自然对数操作,|·|表示取绝对值操作;
(1b)对差异图Id1进行归一化,得到归一化后的差异图Id:
其中,min(·)表示取最小值操作,max(·)表示取最大值操作。
步骤2:提取类哈尔特征。
(2a)对差异图Id以每个像素点为中心取大小为W×H图像块;
(2b)计算图像块的积分图,积分图S定义为此图像块从左上角(0,0)到右下角(x,y)范围内所有像素值的和:
其中,1≤x≤W,1≤y≤H,(x',y')表示为左上角(0,0)到右下角(x,y)范围内任意像素点的位置,I代表图像块;
(2c)将每个图像块内的任意垂直矩形表示为:ri=(a,b,c,d),其中i∈{1,...,N},N表示图像块内的矩形个数,(a,b)表示矩形左上角像素点的位置,1≤a≤W,1≤b≤H,c表示矩形ri的宽度,d表示矩形ri的长度,c,d>0;
(2d)将矩形ri中所有像素值的和表示为RS(ri),通过步骤(2b)得到的积分图S,计算矩形ri的像素值之和RS(ri):
RS(ri)=S(a-1,b-1)+S(a+c-1,b+d-1)-S(a-1,b+d-1)-S(a+c-1,b-1);
(2e)根据矩形ri的像素值之和RS(ri),计算得到每个图像块的类哈尔特征fI:
其中,ωi表示第i个矩形的权重,ri表示第i个矩形,N表示矩形的个数。
步骤3:训练多粒度级联森林模型。
(3a)多粒度扫描:
利用三个尺度分别为15×1,30×1和60×1的滑动窗口来扫描每一个类哈尔特征:假设有一个M维的类哈尔特征,利用一个15×1的滑动窗口进行扫描,产生(M-14)个的15×1维的特征;再利用一个30×1的滑动窗口进行扫描,产生(M-29)个的30×1维的特征;再利用一个60×1的滑动窗口进行扫描,产生(M-59)个的60×1维的特征;通过多粒度扫描,一个M维的类哈尔特征总共能产生(3M–102)个新特征,此操作使得特征更加丰富;
(3b)训练级联森林
级联森林由多个层级构成,它的每一层均是一个集成的决策树森林,设置每一层包括 2个随机森林和2个完全随机森林,每个森林都包含有20棵决策树;
利用多粒度扫描产生的特征对级联森林进行训练,得到训练好的多粒度级联森林模型。
步骤5:生成两个概率图I1和I0。
将所有样本的类哈尔特征输入到已训练好的多粒度级联森林模型,得到每个样本属于变化类的概率p1和属于非变化类的概率p0,且对每个样本其p1+p0=1;
用所有样本中属于变化类的概率p1构成第一概率图I1;
用所有样本中属于非变化类的概率p0构成第二概率图I0。
步骤6:生成最终的变化检测结果。
(6a)利用差异图Id、概率图I1和概率图I0构成三通道图像;
(6b)对三通道图像的每个通道提取类哈尔特征,将三个通道对应位置提取的类哈尔特征首尾相接构成一个新的特征;
(6d)设Kappa系数为衡量变化检测结果图与对应参考图一致性的参数,其中参考图为人工标记的真实变化图像;计算第i+1次变化检测结果的Kappa系数Kappai+1和第 i次变化检测结果的Kappa系数Kappai;
首先,计算第i+1次被正确检测为变化类的像素点数:TPi+1=Nc-FNi+1,其中,Nc表示参考图中变化类的像素点数,FNi+1表示第i+1次将变化类错检为未变化类的像素点数;
接着,计算第i+1次被正确检测为非变化类的像素点数:TNi+1=Nu-FPi+1,其中, Nu表示参考图中非变化类的像素点数,FPi+1表示第i+1次将非变化类错测为变化类的像素点数;
最后,利用PRAi+1和PREi+1计算得到第i+1的Kappa系数:
首先,计算第i次被正确检测为变化类的像素点数:TPi=Nc-FNi,其中,Nc表示参考图中变化类的像素点数,FNi表示第i次将变化类错检为未变化类的像素点数;
接着,计算第i次被正确检测为非变化类的像素点数TNi=Nu-FPi,其中,Nu表示参考图中非变化类的像素点数,FPi表示第i次将非变化类错测为变化类的像素点数;
最后,利用PRAi和PREi计算得到第i的Kappa系数:
(6d3)将Kappai+1和Kappai进行比较,选择Kappa系数较高的预测结果作为最终的变化检测结果。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真实验数据
本发明的仿真实验使用了三组真实的SAR图像数据及相应的参考图,其中:
第一组真实的SAR图像数据及相应的参考图是黄河农田C地区的SAR图像,如图 2所示,图像大小为257×289,其中图2(a)是2008年6月黄河农田C地区的SAR图像,图2(b)是2009年6月黄河农田C地区的SAR图像,图2(c)是黄河农田C地区相应的参考图。
第二组真实的SAR图像数据及相应的参考图是黄河农田D地区的SAR图像,如图 3所示,图像大小为306×291,其中图3(a)是2008年6月黄河农田D地区的SAR图像,图3(b)是2009年6月黄河农田D地区的SAR图像,图3(c)是黄河农田D地区相应的参考图。
第三组真实的SAR图像数据及相应的参考图是Bern地区的SAR图像,如图4所示,图像大小为301×301,其中图4(a)是1999年4月Bern地区的SAR图像,图4(b)是1999 年5月Bern地区的SAR图像,图4(c)是Bern地区相应的参考图。
2.仿真实验的评价指标
漏检FN:将变化类错检为未变化类的像素点数;
错检FP:将未变化类错检为变化类的像素点数;
OE:错检和漏检的总像素点数;
Kappa系数:衡量变化检测图与参考图一致性的参数。
3.仿真内容与结果
使用本发明在上述三组真实SAR图像数据集上进行测试,得到的变化检测图如图2(d),3(d),4(d)所示,得到的变化检测评价指标如表1所示。
表1
数据集 | FP | FN | OE | Kappa |
黄河农田C | 703 | 553 | 1256 | 0.9432 |
黄河农田D | 195 | 138 | 333 | 0.9666 |
Bern | 106 | 121 | 227 | 0.8965 |
从表1中可以看出,三组数据均得到较高的Kappa系数。
将本发明在黄河农田C地区产生的变化检测图2(d)与对应的参考图2(c)进行对比,将本发明在黄河农田D产生的变化检测图3(d)和对应的参考图3(c)进行对比,将本发明在Bern地区产生的变化检测图4(d)和对应的参考图4(c)进行对比,可见本发明采用的方法能有效抑制差异图中的噪声对最终结果的影响,有效地降低了错检FP和漏检FN,提高了变化检测的Kappa系数。
Claims (5)
1.一种基于多粒度级联森林模型的SAR图像变化检测方法,其特征在于,包括如下步骤:
(1)给定两幅配准的具有相同尺寸的多时相SAR图像I1和I2,并对I1和I2使用对数比算子,生成归一化的差异图Id;
(2)以归一化的差异图Id每个像素点为中心按大小为21×21取块,每个图像块作为一个样本,也就是每个样本对应一个像素点,然后对每个样本提取类哈尔特征;
(3)随机选取少量样本作为训练样本,利用训练样本的类哈尔特征对多粒度级联森林模型进行训练,得到训练好的多粒度级联森林模型;
(5)生成两个概率图T1和T0:
将所有样本的类哈尔特征输入到已训练好的多粒度级联森林模型,得到每个样本属于变化类的概率p1和属于非变化类的概率p0,其中,对每个样本有p1+p0=1,用所有样本中属于变化类的概率p1构成第一概率图T1,用所有样本中属于非变化类的概率p0构成第二概率图T0;
3.如权利要求1所述方法,其特征在于,步骤(3)中的多粒度级联森林模型,包括多粒度窗口和级联森林两部分,其中:
所述多粒度窗口,包含三个大小分别为15×1,30×1和60×1的滑动窗口,利用三种滑动窗口分别扫描每个训练样本的类哈尔特征,能使特征更加丰富;
所述级联森林,由多个层级构成,它的每一层均是一个集成的决策树森林,设置每一层包括2个随机森林和2个完全随机森林,每个森林都包含了20棵决策树;
把多粒度窗口扫描产生的特征输入到级联森林,就得到训练好的多粒度级联森林模型。
4.如权利要求1所述方法,其特征在于,步骤(6)中用差异图Id、第一概率图T1和第二概率图T0构成新特征,是先利用差异图Id、第一概率图T1和第二概率图T0构成三通道图像;对每个通道提取类哈尔特征,再将三个通道对应位置提取的类哈尔特征首尾相接,得到新的特征。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810465579 | 2018-05-16 | ||
CN2018104655797 | 2018-05-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272534A CN109272534A (zh) | 2019-01-25 |
CN109272534B true CN109272534B (zh) | 2022-03-04 |
Family
ID=65187309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811034359.5A Active CN109272534B (zh) | 2018-05-16 | 2018-09-06 | 基于多粒度级联森林模型的sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272534B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059658B (zh) * | 2019-04-26 | 2020-11-24 | 北京理工大学 | 一种基于三维卷积神经网络的遥感卫星影像多时相变化检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6650273B1 (en) * | 2002-05-06 | 2003-11-18 | Lockheed Martin Corporation | Change subtraction of synthetic aperture radar data |
CN101493520A (zh) * | 2009-01-16 | 2009-07-29 | 北京航空航天大学 | 一种基于二维Gamma分布的SAR图像变化检测方法 |
CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
CN105760900A (zh) * | 2016-04-08 | 2016-07-13 | 西安电子科技大学 | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 |
CN107358300A (zh) * | 2017-06-19 | 2017-11-17 | 北京至信普林科技有限公司 | 一种基于多平台自主预测的智能运维告警过滤方法及系统 |
CN107590224A (zh) * | 2017-09-04 | 2018-01-16 | 北京京东尚科信息技术有限公司 | 基于大数据的用户偏好分析方法与装置 |
-
2018
- 2018-09-06 CN CN201811034359.5A patent/CN109272534B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6650273B1 (en) * | 2002-05-06 | 2003-11-18 | Lockheed Martin Corporation | Change subtraction of synthetic aperture radar data |
CN101493520A (zh) * | 2009-01-16 | 2009-07-29 | 北京航空航天大学 | 一种基于二维Gamma分布的SAR图像变化检测方法 |
CN101634709A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于多尺度积和主成分分析的sar图像变化检测方法 |
CN105760900A (zh) * | 2016-04-08 | 2016-07-13 | 西安电子科技大学 | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 |
CN107358300A (zh) * | 2017-06-19 | 2017-11-17 | 北京至信普林科技有限公司 | 一种基于多平台自主预测的智能运维告警过滤方法及系统 |
CN107590224A (zh) * | 2017-09-04 | 2018-01-16 | 北京京东尚科信息技术有限公司 | 基于大数据的用户偏好分析方法与装置 |
Non-Patent Citations (1)
Title |
---|
合成孔径雷达影像变化检测研究进展;公茂果等;《计算机研究与发展》;20151116;第53卷(第01期);第123-137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109272534A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123123B (zh) | 基于卷积神经网络的图像分割质量评价方法 | |
CN110880019B (zh) | 通过无监督域适应训练目标域分类模型的方法 | |
CN111259940A (zh) | 一种基于空间注意力地图的目标检测方法 | |
DE102017006563A1 (de) | Bildpatchabgleich unter Nutzung eines wahrscheinlichkeitsbasierten Abtastens auf Grundlage einer Vorhersage | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN112395987A (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
CN111709318A (zh) | 一种基于生成对抗网络的高分辨率遥感图像分类方法 | |
CN111563408B (zh) | 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法 | |
CN107609055A (zh) | 基于深层主题模型的文本图像多模态检索方法 | |
CN115565019A (zh) | 基于深度自监督生成对抗的单通道高分辨sar图像地物分类方法 | |
CN106778714A (zh) | 基于非线性特征和模型合并的lda人脸识别方法 | |
CN109685823B (zh) | 一种基于深度森林的目标跟踪方法 | |
CN109272534B (zh) | 基于多粒度级联森林模型的sar图像变化检测方法 | |
Nie et al. | Adap-EMD: Adaptive EMD for aircraft fine-grained classification in remote sensing | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN107193979B (zh) | 一种同源图片检索的方法 | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
WO2023102844A1 (zh) | 剪枝模块的确定方法、装置及计算机可读存储介质 | |
WO2024011873A1 (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN110276358A (zh) | 密集堆叠下的高相似度木块横截面检测方法 | |
Liu et al. | A novel image segmentation algorithm based on visual saliency detection and integrated feature extraction | |
CN114022782A (zh) | 一种基于modis卫星数据的海雾探测方法 | |
CN110232954B (zh) | 基于迁移学习的分子对接方法和系统 | |
CN112949385A (zh) | 一种基于光视觉的水面目标检测与识别方法 |
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 |