基于超像素分割和特征学习的SAR图像变化检测方法技术

本发明专利技术公开一种基于超像素分割和特征学习的SAR图像变化检测算法，包括步骤：1)开始基于超像素分割和特征学习的SAR图像变化检测方法；2)对两幅配准后的同一地区不同时相的SAR图像进行超像素分割；3)应用差异度聚类法生成初始变化结果；4)根据初始变化检测结果在变化类和未变化类中选择相同数量的样本作为训练样本；5)将待训练样本输入到设计好的深度神经网络中进行训练；6)将两幅待检测的图像输入到训练好的深度神经网络中，得到最终的变化检测结果；7)结束。本发明专利技术以超像素块为基本处理单元，可以在一定程度上提高处理数据的时间，同时在很大程度上改善了噪声的敏感问题，显著的提高了检测效果及检测的正确率。

SAR image change detection method based on hyper pixel segmentation and feature learning

The invention discloses a SAR image change super pixel segmentation and feature detection algorithm based on learning, which comprises the following steps: 1) to start SAR image change detection method of super pixel segmentation and feature based learning; 2) in the same area two after the registration of multi temporal SAR images of super pixel segmentation; 3) application difference clustering method to generate the initial results; 4) according to the initial change detection results in a change and no change in the same number of selected samples as the training samples; 5) will be input to the neural network training sample depth design good in training; 6) the two images to be detected to the depth of the input the trained neural network, get the final change detection results; the end of 7). The present invention to super pixel block as the basic processing unit, the data processing time can be improved to a certain extent, while improving the sensitivity problem of noise to a great extent, significantly improve the detection accuracy and the detection effect.

【技术实现步骤摘要】
基于超像素分割和特征学习的SAR图像变化检测方法
本专利技术属于SAR图像变化检测
，涉及超像素分割和深度神经网络的结合，具体提供了一种介于目标级别和像素级别之间的基于超像素分割和特征学习的SAR图像变化检测方法，通过无监督深度神经网络对超像素块的特征进行学习，实现对SAR图像的变化检测，可运用于环境监测、农业调查、救灾工作等SAR图像变化检测相关领域中。
技术介绍
合成孔径雷达(SyntheticApertureRadar,SAR)具有全天时、全天候、分辨率高等特点，相对于可见光、红外传感器等具有得天独厚的优势。变化检测是在遥感领域中最重要的应用，它通过联合分析同一地区在不同时刻的两幅或多幅图像，根据图像之间的差异来获得所需要的地物变化信息。随着遥感技术的不断发展，变化检测技术也得到了迅猛发展，被广泛应用于农业生产、科研和军事等领域。SAR图像变化检测的过程可以被分为图像预处理过程和图像分析过程。图像的预处理过程包括图像配准、几何校正、图像增强等；图像的分析过程大体有两种类型的方法：(1)基于像素点的变化检测技术；(2)基于目标级别的变化检测技术。基于像素点的图像变化检测技术是比较传统的变化检测方法，它是通过对两幅同一地区不同时间的SAR图像逐个像素点进行比较生成差异图，然后对差异图进行图像分割操作得到最终的只反映变化和未变化信息的二值图。传统的基于像素点的变化检测方法相对简单、快速、直接，但是由于SAR图像存在大量的相干斑噪声，基于像素点的变化检测方法对噪声非常敏感，导致误检或漏检的现象比较严重；另外由于基于像素点的方法要对图像中的每个像素点进行处理，因此会受限于速度，尤其是当处理分辨率特别大的SAR图像的时候，速度劣势更为明显。因此针对这一缺点，出现了一种新的基于目标的变化检测技术。基于目标的变化检测技术是基于图像的光谱特性、形状、纹理、大小和其他拓扑特征将图像划分成许多有意义的均匀的区域，然后通过对这些区域的比较得到变化的结果，基于目标的变化检测方法已经成功的应用于土地利用和土地覆盖的分类等领域中。由于基于目标的变化检测融入了很多周围像素点的特征，且由于分割成了多个有意义的区域，因此它对于处理分辨率特别大的SAR图像在速度上和分类效果上都具有明显的优势。但是基于目标的变化检测技术需要很大程度的依赖于图像分割的结果，并且通常对细节保留做的不够好。SAR图像变化检测的难点在于图像中存在大量的相干斑噪声，这些噪声难于处理，容易对结果产生很大的影响。国内外的学者在变化检测领域中做了大量的研究，一种就是针对噪声的特点设计算法，比如：MaoguoGong等人针对SAR图像噪声的特点通过结合不同差异图的信息，设计了新的差异图生成方法，并且融入像素的邻域特征提出了新的图像聚类的技术，参见M.Gong,Z.Zhou,J.Ma.ChangeDetectioninSyntheticApertureRadarImagesbasedonImageFusionandFuzzyClustering.IEEETransactionsonImageProcessing,Vol.21,No.4,2012:2141-2151.另外一种就是通过深度神经网络的训练使得变化检测结果对SAR图像的相干斑噪声具有鲁棒性，参见M.Gong,J.Zhao,J.Liu,Q.Miao,L.Jiao.ChangeDetectioninSyntheticApertureRadarImagesBasedonDeepNeuralNetworks.IEEETransactionsonNeuralNetworksandLearningSystems,Vol.27,No.1,2016:125-138.由于基于像素点的变化检测技术和基于目标级别的变化检测技术都存在各自的优势和缺点，那么结合二者的优势摒除二者的缺点设计一种新的变化检测算法成为当务之急。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出一种基于超像素分割和特征学习的SAR图像变化检测方法，以实现在SAR图像变化检测中既能结合区域像素点的信息减少噪声影响，又能较好的保留变化检测结果图像的细节，还能在速度上相对于基于像素点的方法有一定的提升，使得SAR图像变化检测结果更稳定、边缘更平滑、区域一致性更好。本专利技术的技术方案是：一种基于超像素分割和特征学习的SAR图像变化检测方法，包括如下步骤：步骤101：开始基于超像素分割和特征学习的SAR图像变化检测方法；步骤102：对两幅配准后的同一地区不同时相的SAR图像进行超像素分割；步骤103：应用差异度聚类法生成初始变化结果；步骤104：根据初始变化结果在变化类和未变化类中选择相同数量的样本作为训练样本；步骤105：将训练样本输入到设计好的深度神经网络中进行训练；步骤106：将两幅待检测的图像输入到训练好的深度神经网络中，得到最终的变化检测结果；步骤107：结束基于超像素分割和特征学习的SAR图像变换检测方法。上述的步骤102，包括如下步骤：步骤201：对两幅配准后待检测的SAR图像应用对数比值算子生成差异图；步骤202：对差异图应用超像素分割技术进行分割，用得到的分割结果去分割待检测的SAR图像，保证两幅SAR图像分割区域的一致性；步骤203：结束输入SAR图像的超像素分割。上述的步骤103，包括如下步骤：步骤301：计算两幅图像I1,I2对应分割区域Rx的相似度步骤302：不断重复步骤301，直到得到图像对中所有超像素块的相似度；步骤303：运用模糊C均值聚类算法FCM将相似度分成3类，分别标记为变化类，未变化类和不确定类；若为变化类，则对应的超像素分割区域内像素值全部标记为0；若为未变化类，对应超像素分割区域内像素值全部标记为255；若为不确定类，对应超像素分割区域内像素值全部标记为125。上述的步骤104，包括如下步骤：步骤401：生成一个和超像素块数目一样的随机索引序列；步骤402：找到对应标号的超像素块，若为变化类或未变化类则将超像素块和标签提取出来作为训练样本。上述的步骤105，包括如下步骤：步骤501：提取每一个超像素块的协方差特征，分别为均值Fμ，方差对数规范化标准偏差Fnsd和填充因子Fη；步骤502：将待训练样本对应超像素块的协方差特征叠加起来作为输入样本，使用SAE预训练得到网络的初始权值和偏置，网络层数设为2个隐层，每一层的节点个数分别为100和20，SAE每层训练50代；步骤503：使用最小交叉熵的共轭梯度BP神经网络对SAE预训练网络进行微调，训练代数为50代；步骤505：获得最终训练好的神经网络。本专利技术的有益效果：与现有的技术相比，本专利技术具有以下优点：1.突破了传统的基于像素点和基于目标的变化检测方法，提供了一种介于像素级别和目标级别的超像素级别的变化检测的技术；2.通过深度神经网络训练两幅SAR图像的非线性关系，可以对噪声有很强的鲁棒性，不需要在预处理过程中对图像进行滤波操作，避免了图像细节的丢失；3.以超像素块为处理基准，通过特征提取的方法用超像素块的特征表征该块，应用堆叠自动编码器(SAE)进行训练，通过对特征的无监督学习得到一个可以处理两幅图像非线性关系的网络，使得结果更加稳定。附图说明图1是本专利技术实现本文档来自技高网...

【技术保护点】
基于超像素分割和特征学习的SAR图像变化检测方法，其特征在于，包括如下步骤：步骤101：开始基于超像素分割和特征学习的SAR图像变化检测方法；步骤102：对两幅配准后的同一地区不同时相的SAR图像进行超像素分割；步骤103：应用差异度聚类法生成初始变化结果；步骤104：根据初始变化结果在变化类和未变化类中选择相同数量的样本作为训练样本；步骤105：将训练样本输入到设计好的深度神经网络中进行训练；步骤106：将两幅待检测的图像输入到训练好的深度神经网络中，得到最终的变化检测结果；步骤107：结束基于超像素分割和特征学习的SAR图像变换检测方法。

【技术特征摘要】
1.基于超像素分割和特征学习的SAR图像变化检测方法，其特征在于，包括如下步骤：步骤101：开始基于超像素分割和特征学习的SAR图像变化检测方法；步骤102：对两幅配准后的同一地区不同时相的SAR图像进行超像素分割；步骤103：应用差异度聚类法生成初始变化结果；步骤104：根据初始变化结果在变化类和未变化类中选择相同数量的样本作为训练样本；步骤105：将训练样本输入到设计好的深度神经网络中进行训练；步骤106：将两幅待检测的图像输入到训练好的深度神经网络中，得到最终的变化检测结果；步骤107：结束基于超像素分割和特征学习的SAR图像变换检测方法。2.根据权利要求1所述的基于超像素分割和特征学习的SAR图像变化检测方法，其特征在于，所述的步骤102，包括如下步骤：步骤201：对两幅配准后待检测的SAR图像应用对数比值算子生成差异图；步骤202：对差异图应用超像素分割技术进行分割，用得到的分割结果去分割待检测的SAR图像，保证两幅SAR图像分割区域的一致性；步骤203：结束输入SAR图像的超像素分割。3.根据权利要求1所述的基于超像素分割和特征学习的SAR图像变化检测方法，其特征在于，所述的步骤103，包括如下步骤：步骤301：计算两幅图像I1,I2对应分割区域Rx的相似度步骤302：不断重复步骤301，直...

【专利技术属性】
技术研发人员：公茂果，武越，李泉霖，张普照，刘嘉，李豪，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61