CN112712050B - 基于ds证据融合的极化sar图像语义变化检测方法 - Google Patents
基于ds证据融合的极化sar图像语义变化检测方法 Download PDFInfo
- Publication number
- CN112712050B CN112712050B CN202110032928.8A CN202110032928A CN112712050B CN 112712050 B CN112712050 B CN 112712050B CN 202110032928 A CN202110032928 A CN 202110032928A CN 112712050 B CN112712050 B CN 112712050B
- Authority
- CN
- China
- Prior art keywords
- change
- semantic
- probability
- layer
- semantic change
- 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
- 230000008859 change Effects 0.000 title claims abstract description 189
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 51
- 238000011176 pooling Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000010287 polarization Effects 0.000 claims description 11
- 239000003550 marker Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005381 potential energy Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
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
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (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DS证据融合的极化SAR图像语义变化检测方法,主要解决现有技术无法进行语义级变化检测及边缘定位差的问题。其方案为:输入两时相极化SAR图像及真实语义变化图;在两时相图像上生成训练集和测试集;构造卷积神经网络,并用训练集训练;测试集通过训练好网络得到语义变化特征,并将其输入到分类器中得到语义变化概率;通过差异算子生成两时相差异图,并对其初始化标记场;在标记场上通过马尔可夫随机场建模得到最终标记场,计算其变化概率,并将该变化概率与语义变化概率进行融合,得到语义变化检测结果。本发明实现了语义级变化检测,增强了变化边缘的定位,增强了对噪声的鲁棒性,可用于极化SAR图像目标识别。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及一种极化SAR图像语义变化检测方法,可用于对极化SAR图像进行地表变化监测与评估。
背景技术
极化SAR图像变化检测是指通过分析在同一地区不同时间的两幅极化SAR图像,检测出该区域的地物的变化信息。极化合成孔径雷达系统得益于交替接收与发射不同极化方式的信号的机制,具有全天时和全天候的观测能力,并且相比于传统的SAR系统,可以获取更为丰富的地物信息,更加适合于复杂场景下的环境监测。因此,极化SAR图像的变化检测已成为当今SAR遥感图像分析与理解的重要研究分支。目前,已经开发了许多用于极化SAR图像变化检测的传统方法,这些方法的实施基本都是使用先生成差异图再进行差异图分析的策略,其中,差异图生成方法包括有Wishart距离、HLT差异算子、似然比算子和广义似然比算子,差异图分析方法包括有恒虚警率检测方法、马尔科夫随机场方法、SWT方法和阈值分割方法。
马尔科夫随机场方法是对两幅极化SAR图像生成的差异图进行分析的算法,其虽然考虑了领域信息,有助于噪声的抑制和保障边缘定位性,但是并没有考虑到语义变化信息,只能检测出变化区域,并不知道变化前后的地物类型,无法进行语义级的变化检测。随着深度学习的快速发展,基于神经网络的极化SAR图像变化检测方法显著提高了变化检测的准确率,并且能以端到端的方式自动学习判别特征,从而减少手工错误并节约成本。其中使用最多的是卷积神经网络CNN。这种基于卷积神经网络的方法可以直接通过两时相原始数据得到变化结果,能够完成语义级的变化检测,但该方法由于是将每一个像素点取其邻域作为一个图像块,将其输入到卷积神经网络来判别该像素点的是否发生变化,并没有考虑相邻像素图像块与之的关系,因而会造成边界定位性差的不足,且该方法由于没有定义语义变化类,故只能进行变化区域的检测,而不能判别变化前后的地物类型,从而影响了极化SAR图像的变化检测精度。
发明内容
本发明的目的在于针对上述技术中的不足,提出一种基于DS证据融合的极化SAR图像语义变化检测方法,以通过对卷积神经网络和马尔可夫随机场两种方法的优势融合,实现对变化前后地物类型的极化SAR图像语义变化检测,保障变化检测区域的边界定位性能,提高极化SAR图像的变化检测精度。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)获取已配准的M×N两时相极化SAR图像I1、I2,及其对应的相干矩阵数据T1、T2和这两幅极化SAR图像的真实语义变化图G,构建训练集Psx和测试集Psd;
(2)搭建卷积神经网络,利用训练集Psx对该卷积神经网络进行训练网络,得到训练集的语义变化特征Zxd,将测试集Psd送入训练好的网络,得到测试集的语义变化特征Zsd;
(3)用训练集的语义变化特征Zxd训练支持向量机分类器,将语义变化特征Zsd送入到训练好的支持向量机分类器中,得到所有像素点的每一语义变化类的概率P;
(4)采用双边取大的HLT方法构造两时相图像T1、T2的差异图像YHLTs;
(5)对差异图像YHLTs进行初始聚类,得到初始化的标记场X0={Xs|s∈[1,M×N]},Xs∈{H0,H1},其中H0表示未变化,H1表示变化;
(6)根据初始化的标记场X0,对差异图像YHLTs和初始化标号场X0使用马尔科夫随机场方法进行建模,迭代q次后得到最终的标记场Xq,q>0;
(7)根据DS证据理论,将(3)得到的语义变化概率P和(6)得到的最终标记场Xq相结合,计算新的语义变化概率m:
(7a)根据(3)得到的语义变化概率P,计算发生变化的语义概率m1(c)和未发生变化的语义概率m1(u),并对其进行组合,得到组合后的语义变化概率:
m1={m1(c),m1(u)},
(7b)根据(6)得到的最终的标记场Xq,计算具有邻域信息的变化概率m2(c)和具有邻域信息的未变化概率m2(u),并对其进行组合,得到组合后的具有邻域信息的变化概率:
m2={m2(c),m2(u)},
其中,k=m1(c)m2(c)+m1(u)m2(u)表示归一化系数;
其中,Pi为语义变化概率P中的第i类语义变化概率。
本发明与现有技术相比具有以下优点:
1.本发明通过联合两图像特征并定义语义级变化类型,通过卷积神经网络提取语义变化特征,解决了传统方法无法进行识别变化前后地物类型的问题;
2.本发明通过DS证据理论将卷积神经网络与马尔科夫随机场进行有效的融合,综合了卷积神经网络可以使用原始数据提取更深层次的语义变化特征的优势,以及马尔科夫随机场引入了邻域势能团,建立相邻像素之间的联系的优势,使得本发明不仅可以进行变化区域的检测,还可以进行变化类型的检测,并且对变化区域的边缘有着较好的定位性,提高了语义变化检测的精度。
附图说明
图1是本发明的实现流程图;
图2是用本发明对海南某机场区域1的两时相极化SAR图像的语义变化检测结果图;
图3是用本发明对海南某机场区域2的两时相极化SAR图像的语义变化检测结果图;
图4是用本发明对太湖区域1的两时相极化SAR图像的语义变化检测结果图;
图5是用本发明对太湖区域2的两时相极化SAR图像的语义变化检测结果图。
具体实施方式
下面结合附图对本发明的具体实施和效果作进一步详细说明。
参照图1,本发明的实施步骤如下:
步骤1.输入大小为M×N的已有两时相极化SAR图像I1、I2,及其对应的相干矩阵数据T1、T2和这两幅极化SAR图像的真实语义变化图G。
本实例输入的两时相极化SAR图像I1、I2是由高分三号分别于2017年和2019年拍摄的海南某机场区域1所得,如图2中的(2a)和(2b)所示。每一时相都包含M×N个像素,每一个像素都用3×3的极化相干矩阵T(ij)表示:
这两幅两时相极化SAR图像的真实语义变化图G与两时相极化SAR图像大小相等,为M×N,如图(2c)所示。该真实语义变化图G中的黑色表示未发生变化语义类,该处的标号为0,其他的每一种颜色都表示一种发生变化的语义类,即一类地物变化到一类地物,标号为{1,2,...Q},Q为发生变化的语义类的总个数。
步骤2.构建训练集Psx和测试集Psd。
(2.1)根据两幅极化SAR图像的真实语义变化图G,分别对其每一语义类随机选取100个点,形成新的真实语义变化图Gs,其中s表示位置信息;
(2.2)分别对两幅极化SAR图像相干矩阵数据T1和T2取其主对角线元素组成新的两幅极化SAR图像相干矩阵数据T1'和T2';
(2.3)使用7×7×3大小的滑动窗口在新的两幅极化SAR图像相干矩阵数据T1'和T2'上,分别依次从左到右、从上到下以1为步长进行滑动截取,得到两个特征块集d1s和d2s,1≤s≤M×N;
(2.4)将(2.3)截取的两个特征块集d1s和d2s按照数据维度的第一维度联合起来,组成新的联合特征块集Ps,该特征块集共有M×N个大小为14×7×3特征块;
(2.5)在新的联合特征块集Ps中选取真实语义变化图Gs位置上的联合特征块组成训练集Ps'x,将未在真实语义变化图Gs位置上联合特征块组成测试集Psd,
(2.6)根据Ps'x同一语义变化类的两个样本Pi和Pj进行扩增,得到扩增后的训练集Psx:
Psx=αPi+(1-α)Pj+β,
其中,α是在区间[0,1]上均匀分布的随机值。β代表的是均值为0,方差为0.001的一个随机高斯噪声。
步骤3.搭建卷积神经网络。
(3.1)将一个输入层、二个卷积层、二个最大池化层、一个全连接层和一个Softmax分类器依次进行级联,得到由输入层→第一卷积层→第一最大池化层→第二卷积层→第二最大池化层→全连接层→Softmax分类器输出层的卷积神经网络;
(3.2)设置各层参数:
第一卷积层,设有六个卷积核,卷积核大小为5×3,移动步幅为1;
第一最大池化层,设其最大池化窗口大小是2×2,移动步幅是2;
第二卷积层,设有十二个卷积核,卷积核大小为5×3,移动步幅为1;
第二最大池化层,设其最大池化窗口大小是2×2,移动步幅是2;
全连接层设有96个单元;
Softmax分类器输出层,其输出的是每一语义变化类型。
步骤4.利用训练集Psx对该卷积神经网络进行训练网络。
(4.1)将训练集Psx输入到第一层卷积层中,计算第一卷积层输出的特征块C1:
其中,N表示输入的特征块个数,vi表示训练集Psx的第i个输入特征块数据;w1ni为第一卷积层中的第n个卷积核中的第i个的权重,*表示卷积操作,h()表示第一激活层的非线性激活函数,b1i表示第一激活层的第i个的偏置;
(4.2)将第一卷积层的输出的特征块C1,输入到第一最大池化层中,计算第一最大池化层输出的特征块:L1=down(C1),其中down()函数表示最大池化操作;
(4.3)将第一最大池化层输出的特征块L1输入到第二卷积层中,计算第二卷积层的输出:其中,表示的是第一最大池化层的输出L1中的第i个特征块,w2ni为第二卷积层中的第n个卷积核中的第i个的权重,b1i表示第二卷积层中第i个的偏置;
(4.4)将第二卷积层的输出C2输入到第二最大池化层中,计算第二最大池化层的输出:L2=down(C2);
(4.5)将第二最大池化层的输出的特征块L2输入到全连接层,输出特征Z;
(4.6)将全连接层的输出特征Z输入到softmax层中,通过如下公式计算语义变化类概率:
其中Pi,k表示特征Z中第i个样本对第k语义变化类的概率,wk表示第k语义变化的权重;
(4.7)根据语义变化类概率Pi,k计算卷积神经网络的交叉熵损失函数E:
其中,yi是第i个样本的真实标签值,Pi,k是第i个样本预测为第k个标签的概率值,N是总的样本个数;
(4.10)根据更新后的权重和偏置重复(4.1)至(4.7)计算步骤,直到E收敛,得到训练好的卷积神经网络。
步骤5.计算所有像素点的每一语义变化类的概率P。
(5.1)将训练集Pxd送入训练好的网络中,得到训练集的语义变化特征Zxd;
(5.2)根据训练集的语义变化特征Zxd以及新的真实语义变化图Gs训练支持向量机分类器;
(5.1)将测试集Psd送入训练好的网络中,按照步骤(4.1)-(4.5)的过程计算得到语义变化特征Zsd;
(5.2)将语义变化特征Zsd送入到训练好的支持向量机分类器中,计算所有像素点的每一语义变化类的概率P。
步骤6.构造两时相图像T1、T2的差异图像YHLTs。
现有的两时相极化SAR图像构造差异图的方法有Wishart距离、测地距离、双边取大的HLT、似然比算子和广义似然比算子多种方法,本实例使用但不限于用双边取大的HLT方法对两时相图像T1、T2进行差异图的构造,其公式表示如下:
YHLTs=max(tr(T1s -1T2s),tr(T2s -1T1s)),
其中,tr(·)表示矩阵的迹运算,s表示像素的位置,T1s,T2s分别表示两时相图像I1和I2在s处的相干矩阵,YHLTs表示差异图像YHLT在s处的值,1≤s≤M×N。
步骤7.对差异图像YHLTs进行初始聚类,得到初始化的标记场X0。
(7.1)对差异图YHLTs使用FCM聚类算法将像素点依据其隶属度矩阵进行聚类分割成K类,本实例取K=2;
(7.2)分别计算这K类的聚类中心,将聚类中心值大的作为变化类,标记为H1,聚类中心值小的作为未变化类,标记为H0;
(7.3)根据H1和H0初始化标记场:X0={Xs|s∈[1,M×N]},Xs∈{H0,H1}。
步骤8.根据马尔科夫随机场理论,计算最终的标记场Xq。
(8.1)根据初始化的标号场X0,初始化似然参数θ0={λ,k10,k11,k20,k21},其中,
式中k10,k11分别为在当前标号场X0下,差异图像YHLTs中非变化像素的均值和变化像素的均值,k20,k21分别为在当前标号场X0下,差异图像YHLTs中非变化像素的方差和变化像素的方差,λ为非负参数;
(8.2)采用大小为3×3的邻域构造势能函数U:
其中,ys是差异图归一化后的数据,λ是系数,λ∈[0,3],U(Hi|θ0)表示在似然参数θ0下,标记为Hi的势能函数,mis表示以像素s为中心的3×3邻域中标记为Hi的个数,i=0,1;
(8.3)根据标记场和势能函数按照下式计算后验概率:
其中,P{Hi|θ0}表示在似然参数θ0下,标记为Hi的概率;
(8.4)利用MPM准则按照下式更新在像素点s处的标号场,得到新的标记场X1:
(8.5)根据更新后的标号场X1按照如下公式更新似然参数θ0,得到新的似然参数
θ1={λ,k10,k11,k20,k21},其中
(8.6)设置迭代结束的阈值ε=0.001,以及最大迭代次数q=15;
(8.7)计算相邻两次的似然参数θ0和θ1之间的差值t,判断是否满足t<ε,或是否满足设定的最大迭代次数q=15:
若是,则停止迭代,得到最终的标记场Xq,q是最终迭代的次数,q>0;
否则,根据更新后的似然参数θ1和标记场X1,返回到步骤(8.2)。
(9.1)根据步骤(5)得到的语义变化概率P,计算发生变化的语义概率m1(c)和未发生变化的语义概率m1(u),并对其进行组合,得到组合后的语义变化概率:
m1={m1(c),m1(u)},
(9.2)根据(6)得到的最终的标记场Xq,计算具有邻域信息的变化概率m2(c)和具有邻域信息的未变化概率m2(u),并对其进行组合,得到组合后的具有邻域信息的变化概率:
m2={m2(c),m2(u)},
其中,k=m1(c)m2(c)+m1(u)m2(u)表示归一化系数。
步骤10.计算最终的语义变化检测结果CM。
其中,Pi为语义变化概率P中的第i类语义变化概率。
本发明的效果可通过以下仿真进一步说明:
1.仿真条件:
本发明的仿真是在Matlab R2018b,Intel(R)Core(TM)-8300H CPU@2.30GHz2.30GHz,8.0GB内存,Windows 10版本。
2.实验内容:
实验1、应用本发明方法对高分3号拍摄的海南某机场区域1的两时相极化SAR图像进行语义变化检测。实验结果如图2所示,其中:
图2(a)是2017年实测的第一时相极化SAR图像,
图2(b)是2019年实测的第二时相极化SAR图像,
图2(c)是两时相极化SAR图像的真实语义变化图,
图2(d)是现有CNN方法对图2(a)和图2(b)这两时相极化SAR图像的语义变化检测结果图。
图2(e)是用本发明对图2(a)和图2(b)这两时相极化SAR图像的语义变化检测结果图。
从图2(e)与图2(c)的对比可以看出,本发明不仅能够检测出变化区域,而且得到的结果与真实语义变化图2(c)很接近,即可检测出草地到建筑的语义变化类以及草地到道路的语义变化类,表明本发明能够检测出两时相极化SAR图像的变化类型。从图2(e)与图2(d)的对比可以看出,本发明方法优于CNN方法,对变化的细节以及纹理信息保持的较好。
实验2,用本发明方法对高分3号拍摄的海南某机场区域2的两时相极化SAR图像进行语义变化检测。实验结果如图3所示,其中:
图3(a)是2017年实测的第一时相极化SAR图像,
图3(b)是2019年实测的第二时相极化SAR图像,
图3(c)是两时相极化SAR图像的真实语义变化图,
图3(d)是现有CNN方法对图3(a)和图3(b)这两时相极化SAR图像的语义变化检测结果图。
图3(e)是用本发明对图3(a)和图3(b)这两时相极化SAR图像的语义变化检测结果图。
从图3(e)可以看出,本发明不仅能够检测出变化区域,而且得到的结果与真实语义变化图3(c)很接近,即可检测出建筑物到道路的语义变化类以及草地到道路的语义变化类。表明本发明能够检测出两时相极化SAR图像的变化类型。从图3(e)与图3(d)的对比可以看出,本发明方法优于CNN方法,对变化的细节以及纹理信息保持的较好。
实验3、应用本发明方法对高分3号拍摄的太湖区域1的两时相极化SAR图像进行语义变化检测,实验结果如图4所示,其中:
图4(a)是2017年实测的第一时相极化SAR图像,
图4(b)是2019年实测的第二时相极化SAR图像,
图4(c)是两时相极化SAR图像的真实语义变化图,
图4(d)是现有CNN方法对图4(a)和图4(b)这两时相极化SAR图像的语义变化检测结果图。
图4(e)是用本发明对两时相极化SAR图像的语义变化检测结果图。
从图4(e)可以看出,本发明不仅能够检测出变化区域,而且得到的结果与真实语义变化图4(c)很接近,即可检测出浅水到深水的语义变化类以及陆地到水域的语义变化类。表明本发明能够检测出两时相极化SAR图像的变化类型。从图2(e)与图2(d)的对比可以看出,本发明方法优于CNN方法,对变化的细节以及纹理信息保持的较好。
实验4、应用本发明方法对高分3号拍摄的太湖区域1的两时相极化SAR图像进行语义变化检测。实验结果如图5所示,其中:
图5(a)是2017年实测的第一时相极化SAR图像,
图5(b)是2019年实测的第二时相极化SAR图像,
图5(c)是两时相极化SAR图像的真实语义变化图,
图5(d)是现有CNN方法对图5(a)和图5(b)这两时相极化SAR图像的语义变化检测结果图。
图5(e)是用本发明对两时相极化SAR图像的语义变化检测结果图。
从图5(e)与5(c)的对比可以看出,本发明可准确检测出浅水到深水的语义变化类以及水域到陆地的语义变化类。表明本发明能够检测出两时相极化SAR图像的变化类型。从图2(e)与图2(d)的对比可以看出,本发明方法优于CNN方法,对变化的细节以及纹理信息保持的较好。
3.仿真结果分析:
用本发明对两时相极化SAR图像检测的语义结果图中的每个像素的语义类与两时相极化SAR的真实语义变化图中标记的语义类进行逐一对比,统计每一语义类正确标记的个数Nc、每一发生变化的语义类漏检的个数Lc、每一发生变化的语义类虚检的个数Xc、真实语义变化图中每一语义类的个数Mc以及检测结果中的每一语义类的个数Qc,其中,c={1,2,...k},k表示总的语义类数目。
根据以上统计数目通过以下公式分别计算每一种实验的漏检率PL、虚检率PX、总体精度PCC以及Kappa系数;
计算结果如表1所示:
表1用本发明方法和现有CNN方法进行语义变化检测的结果精度
由表1的评价指标可以看出,用本发明方法检测的结果具有较低的虚检率和漏检率,即都小于5%,其中实验3的虚检率和漏检率以及实验1的虚检率均在2%以下。本发明在总体精度和Kappa系数上均优于参照的CNN方法,总体精度都能达到了90%以上,说明本发明能很好的进行语义变化检测。这四组实验的Kappa系数都接近于1,说明用本发明得到的语义变化结果与真实语义变化图有较好的一致性。
通过该上述实验结果图以及评价指标表明,本发明不仅可以检测出两时相的变化区域,还可以检测出变化类型,有效的抑制了噪声的干扰,提高了变化的边缘定位性以及检测精度。
Claims (7)
1.一种基于DS证据融合的极化SAR图像语义变化检测方法,其特征在于,包括如下:
(1)获取已配准的M×N两时相极化SAR图像I1、I2,及其对应的相干矩阵数据T1、T2和这两幅极化SAR图像的真实语义变化图G,构建训练集Psx和测试集Psd;
(2)搭建卷积神经网络,利用训练集Psx对该卷积神经网络进行训练网络,得到训练集的语义变化特征Zxd,将测试集Psd送入训练好的网络,得到测试集的语义变化特征Zsd;
(3)用训练集的语义变化特征Zxd训练支持向量机分类器,将语义变化特征Zsd送入到训练好的支持向量机分类器中,得到所有像素点的每一语义变化类的概率P;
(4)采用双边取大的HLT方法构造两时相图像T1、T2的差异图像YHLTs;
(5)对差异图像YHLTs进行初始聚类,得到初始化的标记场X0={Xs|s∈[1,M×N]},Xs∈{H0,H1},其中H0表示未变化,H1表示变化;
(6)根据初始化的标记场X0,对差异图像YHLTs和初始化标记场X0使用马尔科夫随机场方法进行建模,迭代q次后得到最终的标记场Xq,q>0;
(7)根据DS证据理论,将(3)得到的语义变化概率P和(6)得到的最终标记场Xq相结合,计算新的语义变化概率m:
(7a)根据(3)得到的语义变化概率P,计算发生变化的语义概率m1(c)和未发生变化的语义概率m1(u),并对其进行组合,得到组合后的语义变化概率:
m1={m1(c),m1(u)},
(7b)根据(6)得到的最终的标记场Xq,计算具有邻域信息的变化概率m2(c)和具有邻域信息的未变化概率m2(u),并对其进行组合,得到组合后的具有邻域信息的变化概率:
m2={m2(c),m2(u)},
其中,k=m1(c)m2(c)+m1(u)m2(u)表示归一化系数;
其中,Pi为语义变化概率P中的第i类语义变化概率。
2.根据权利要求1所述的方法,其特征在于,所述(1)中构建训练集Psx和测试集Psd,实现如下:
(1a)根据两幅极化SAR图像的真实语义变化图G,对其每一类语义变化分别随机选取100个点,形成新的真实语义变化图Gs,其中s表示位置信息;
(1b)分别对两幅极化SAR图像相干矩阵数据T1和T2取其主对角线元素组成新的两幅极化SAR图像相干矩阵数据T1'和T′2;
(1c)使用7×7×3大小的滑动窗口在新的两幅极化SAR图像相干矩阵数据T1'和T′2上,分别依次从左到右、从上到下以1为步长进行滑动截取,得到两个特征块集d1s和d2s,1≤s≤M×N;
(1d)将(1c)截取的两个特征块集d1s和d2s按照数据维度的第一维度联合起来,组成新的联合特征块集Ps,该特征块集共有M×N个大小为14×7×3特征块;
(1e)在新的联合特征块集Ps中选取真实语义变化图Gs位置上的联合特征块组成训练集P′sx,将未在真实语义变化图Gs位置上联合特征块组成测试集Psd,
(1f)根据P′sx同一语义变化类的两个样本Pi和Pj进行扩增,得到扩增后的训练集Psx:
Psx=αPi+(1-α)Pj+β,
其中,α是在区间[0,1]上均匀分布的随机值;β代表的是均值为0,方差为0.001的一个随机高斯噪声。
3.根据权利要求1所述的方法,其特征在于,所述(2)中搭建卷积神经网络,实现如下:
(2a)将一个输入层、二个卷积层、二个最大池化层、一个全连接层和一个Softmax分类器依次进行级联:输入层→第一卷积层→第一最大池化层→第二卷积层→第二最大池化层→全连接层→Softmax分类器输出层;
(2b)设置各层参数:
第一卷积层,有六个卷积核,卷积核大小为5×3,移动步幅为1;
第一最大池化层,其最大池化窗口大小是2×2,移动步幅是2;
第二卷积层,有十二个卷积核,卷积核大小为5×3,移动步幅为1;
第二最大池化层,其最大池化窗口大小是2×2,移动步幅是2;
全连接层有96个单元;
Softmax分类器输出层,其输出的是每一语义变化类型。
4.根据权利要求1所述的方法,其特征在于,所述(2)中利用训练集Psx对卷积神经网络进行训练网络,实现如下:
(2c)将训练集Psx输入到第一层卷积层中,计算第一卷积层输出的特征块C1:
其中N表示输入的特征块个数,vi表示训练集Psx的第i个输入特征块数据;w1ni为第一卷积层中的第n个卷积核中的第i个的权重,*表示卷积操作,h()表示非线性激活函数,b1i表示第一卷积层中第i个的偏置;
(2d)将第一卷积层的输出的特征块C1,输入到第一最大池化层中,计算第一最大池化层输出的特征块:L1=down(C1),其中down()函数表示最大池化操作;
(2e)将第一最大池化层输出的特征块L1输入到第二卷积层中,计算第二卷积层的输出:其中,表示的是第一最大池化层的输出L1中的第i个特征块,w2ni为第二卷积层中的第n个卷积核中的第i个的权重,b2i表示第二卷积层中第i个的偏置;
(2f)将第二卷积层的输出C2输入到第二最大池化层中,计算第二最大池化层的输出:L2=down(C2);
(2g)将第二最大池化层的输出的特征块L2输入到全连接层,输出特征Z;
(2h)将全连接层的输出特征Z输入到softmax层中,通过如下公式计算语义变化类概率:
其中Pi,k表示特征Z中第i个样本对第k语义变化类的概率,wk表示第k语义变化的权重;
(2i)根据语义变化类概率Pi,k计算卷积神经网络的交叉熵损失函数E:
其中,yi是第i个样本的真实标签值,Pi,k是第i个样本预测为第k个标签的概率值,N是总的样本个数;
(2l)根据更新后的权重和偏置重复(2c)至(2i)计算步骤,直到E收敛,得到训练好的卷积神经网络。
5.根据权利要求1所述方法,其特征在于,所述(4)采用双边取大的HLT方法构造两时相图像T1、T2的差异图像YHLTs,通过如下公式进行:
YHLTs=max(tr(T1s -1T2s),tr(T2s -1T1s)),
其中,tr(·)表示矩阵的迹运算,s表示像素的位置,T1s,T2s分别表示两时相图像I1和I2在s处的相干矩阵,YHLTs表示差异图像YHLT在s处的值,1≤s≤M×N。
6.根据权利要求1所述方法,其特征在于,所述(5)中对差异图像YHLTs进行初始聚类,得到初始化的标记场Xq,实现如下:
(5a)对差异图YHLTs使用FCM聚类算法将像素点依据其隶属度矩阵进行聚类分割成K类,K=2;
(5b)分别计算这K类的聚类中心,将聚类中心值大的作为变化类,标记为H1,聚类中心值小的作为未变化类,标记为H0;
(5c)根据H1和H0初始化标记场:X0={Xs|s∈[1,M×N]},Xs∈{H0,H1}。
7.根据权利要求1所述方法,其特征在于,所述(6)中对差异图像YHLTs和初始化标记场X0使用马尔科夫随机场方法进行建模,迭代q次后得到最终的标记场Xq,实现如下:
(6a)根据初始化的标记场X0,初始化似然参数θ0={λ,k10,k11,k20,k21},其中,k10,k11分别为在当前标记场X0下,差异图像YHLTs中非变化像素的均值和变化像素的均值,k20,k21分别为在当前标记场X0下,差异图像YHLTs中非变化像素的方差和变化像素的方差,λ为非负参数;
(6b)采用大小为3×3的邻域构造势能函数U:
其中,ys是差异图归一化后的数据,λ是系数,U(Hi|θ0)表示在似然参数θ0下,标记为Hi的势能函数,mis表示以像素s为中心的3×3邻域中标记为Hi的个数,i=0,1;
(6c)根据标记场和势能函数按照下式计算后验概率:
其中,P{Hi|θ0}表示在似然参数θ0下,标记为Hi的概率,i=0,1;
(6d)利用MPM准则按照下式更新在像素点s处的标记场,得到新的标记场X1:
(6e)根据更新后的标记场X1按照如下公式更新似然参数θ0,得到新的似然参数θ1={λ,k10,k11,k20,k21},其中
(6f)计算相邻两次的似然参数θ0和θ1之间的差值ε,判断差值ε是否满足ε<0.001,或是否满足设定的最大迭代次数q=15:
若是,则停止迭代,得到最终的标记场Xq,q是最终迭代的次数,q>0;
否则,根据更新后的似然参数θ1和标记场X1,返回到(6b)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032928.8A CN112712050B (zh) | 2021-01-12 | 2021-01-12 | 基于ds证据融合的极化sar图像语义变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032928.8A CN112712050B (zh) | 2021-01-12 | 2021-01-12 | 基于ds证据融合的极化sar图像语义变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712050A CN112712050A (zh) | 2021-04-27 |
CN112712050B true CN112712050B (zh) | 2023-05-16 |
Family
ID=75548752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032928.8A Active CN112712050B (zh) | 2021-01-12 | 2021-01-12 | 基于ds证据融合的极化sar图像语义变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712050B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053248A (zh) * | 2010-11-12 | 2011-05-11 | 哈尔滨工业大学 | 基于商空间粒度计算的极化合成孔径雷达图像目标检测方法 |
CN103294792A (zh) * | 2013-05-13 | 2013-09-11 | 西安电子科技大学 | 基于语义信息和极化分解的极化sar地物分类方法 |
CN103955709A (zh) * | 2014-05-13 | 2014-07-30 | 西安电子科技大学 | 基于加权合成核与tmf的极化sar图像分类方法 |
JP2017049208A (ja) * | 2015-09-04 | 2017-03-09 | 日本電気株式会社 | ポラリメトリsar装置および観測方法 |
CN108171119A (zh) * | 2017-12-08 | 2018-06-15 | 西安电子科技大学 | 基于残差网络的sar图像变化检测方法 |
CN108446716A (zh) * | 2018-02-07 | 2018-08-24 | 武汉大学 | 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法 |
CN110096994A (zh) * | 2019-04-28 | 2019-08-06 | 西安电子科技大学 | 一种基于模糊标签语义先验的小样本PolSAR图像分类方法 |
CN110533631A (zh) * | 2019-07-15 | 2019-12-03 | 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 |
EP3617736A1 (en) * | 2018-08-29 | 2020-03-04 | Honeywell International Inc. | Determining material category based on the polarization of received signals |
-
2021
- 2021-01-12 CN CN202110032928.8A patent/CN112712050B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053248A (zh) * | 2010-11-12 | 2011-05-11 | 哈尔滨工业大学 | 基于商空间粒度计算的极化合成孔径雷达图像目标检测方法 |
CN103294792A (zh) * | 2013-05-13 | 2013-09-11 | 西安电子科技大学 | 基于语义信息和极化分解的极化sar地物分类方法 |
CN103955709A (zh) * | 2014-05-13 | 2014-07-30 | 西安电子科技大学 | 基于加权合成核与tmf的极化sar图像分类方法 |
JP2017049208A (ja) * | 2015-09-04 | 2017-03-09 | 日本電気株式会社 | ポラリメトリsar装置および観測方法 |
CN108171119A (zh) * | 2017-12-08 | 2018-06-15 | 西安电子科技大学 | 基于残差网络的sar图像变化检测方法 |
CN108446716A (zh) * | 2018-02-07 | 2018-08-24 | 武汉大学 | 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法 |
EP3617736A1 (en) * | 2018-08-29 | 2020-03-04 | Honeywell International Inc. | Determining material category based on the polarization of received signals |
CN110096994A (zh) * | 2019-04-28 | 2019-08-06 | 西安电子科技大学 | 一种基于模糊标签语义先验的小样本PolSAR图像分类方法 |
CN110533631A (zh) * | 2019-07-15 | 2019-12-03 | 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 |
Non-Patent Citations (4)
Title |
---|
GF-3 PolSAR Marine Aquaculture Recognition Based on Complex Convolutional Neural Networks;Jianchao Fan;《2019 Tenth International Conference on Intelligent Control and Information Processing (ICICIP)》;20200227;112-115页 * |
Impervious Surface Estimation From Optical and Polarimetric SAR Data Using Small-Patched Deep Convolutional Networks: A Comparative Study;Hongsheng Zhang;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20190529;2374-2387页 * |
Unsupervised change detection from multichannel SAR images;Gabriele Moser;《IEEE Geoscience and Remote Sensing Letters》;20070423;278-282页 * |
基于双噪声相似性模型的SAR图像变化检测;刘赶超;《中国博士学位论文全文数据库 信息科技辑》;20170215;I136-256 * |
Also Published As
Publication number | Publication date |
---|---|
CN112712050A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
Yu et al. | A landslide intelligent detection method based on CNN and RSG_R | |
CN112132042B (zh) | 基于对抗域适应的sar图像目标检测方法 | |
CN110969088A (zh) | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 | |
CN113033520B (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
CN111898432B (zh) | 一种基于改进YOLOv3算法的行人检测系统及方法 | |
CN111339827A (zh) | 基于多区域卷积神经网络的sar图像变化检测方法 | |
CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN111008644B (zh) | 基于局部动态能量函数fcn-crf模型的生态变化监测方法 | |
Chen et al. | Hyperspectral remote sensing image classification based on dense residual three-dimensional convolutional neural network | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
CN110298271A (zh) | 基于关键点检测网络和空间约束混合模型的海水区域检测方法 | |
CN116206112A (zh) | 基于多尺度特征融合和sam的遥感图像语义分割方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN113313166B (zh) | 基于特征一致性学习的船舶目标自动标注方法 | |
CN112348820B (zh) | 基于深度辨别性增强网络的遥感影像语义分割方法 | |
Xiong et al. | Pixel-Level patch detection from full-scale asphalt pavement images based on deep learning | |
CN114332534A (zh) | 一种高光谱图像小样本分类方法 | |
CN112712050B (zh) | 基于ds证据融合的极化sar图像语义变化检测方法 | |
Li et al. | Change detection in synthetic aperture radar images based on log-mean operator and stacked auto-encoder | |
CN115829996A (zh) | 基于深度特征图的无监督合成孔径雷达图像变化检测方法 | |
CN112270370B (zh) | 一种车辆表观毁伤评估方法 |
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 |