基于深度神经网络的超像素级SAR图像变化检测方法技术

本发明专利技术公开一种基于深度神经网络的超像素级SAR图像变化检测方法，步骤包括：1)用超像素分割两幅原始图像；2)精细化分割，使得分割后两幅图像得到相同的超像素分割轮廓；3)计算两幅原始图像的差异图，用传统变化检测方法得到初始变化检测结果图；4)分割初始变化检测结果图，得到每个超像素块的标签；5)建立堆栈去噪自编码深度神经网络模型；6)将两幅原始图像对应位置的超像素块叠加为列向量，作为训练样本输入到深度神经网络中训练；7)调整深度神经网络参数；8)将两幅原始图像对应位置的超像素块叠加为列向量，输入到训练好的神经网络中得到变化结果。本发明专利技术解决了现有像素级变化检测计算量大，目标级变化检测准确度低的问题。

Hyper pixel level SAR image change detection method based on depth neural network

The invention discloses a super pixel level SAR image change depth based on neural network detection method, comprising the following steps: 1) with super pixel segmentation two pieces of the original image; 2) fine segmentation, the segmentation of two images obtained from the same super pixel segmentation contour; 3) amplitude difference calculation of two of the original image map and with the traditional change detection methods to get the initial change detection results; 4) segmentation initial change detection results, each super pixel block label; 5) set up the stack denoising since the encoding depth of the neural network model; 6) the two pieces of the original image and the corresponding position of the super pixel block as the superposition of column vectors, as training the input to the neural network training sample depth; 7) to adjust the depth of the neural network parameters; 8) the two original images corresponding to the location of the super pixel block as the superposition of the column vector, the input to the trained neural network to get change Result\u3002 The invention solves the problems that the existing pixel level change detection has large amount of calculation and low accuracy of target level change detection.

【技术实现步骤摘要】
基于深度神经网络的超像素级SAR图像变化检测方法
本专利技术属于图像处理
，涉及图像变化检测，具体是一种基于深度神经网络的超像素级SAR图像变化检测方法，可用于遥感影像监测、医学诊断、自然灾害评估等
中。
技术介绍
遥感影像变化检测技术用于检测同一地区在不同时间内所发生的变化情况，具有重要的应用价值。而基于合成孔径雷达的(SyntheticApertureRadar,SAR)影像的变化检测由于SAR传感器不受时段、天气条件影响等优良特征而受到广泛关注。对于SAR图形的变化检测问题，研究者已经提出了很多方法，这些方法对差异图的生成以及阈值、聚类、图切、水平集四种常用的差异图分析方法进行了不同程度的研究，将传统方法进行了改善，取得了良好的效果。近些年来，深度神经网络(Deeplearning)已经成为一种新的机器学习方法广泛应用。它通过构建深层的神经网络模型来表达和分析数据，具有更强的学习能力。在深度学习中，我们可以不需要预处理而直接输入数据，而数据的特征通过每一层被学习出来。深度神经网络的模型主要包括卷积神经网络(CNN)，深度信念网络(DBN)和自编码器(AE)。因为深度神经网络对图像有更好的表达方式，提取更深层次的特征，所以有一些研究人员已经将深度神经网络应用到SAR图像的变化检测中，并取得了很好的效果，比如：MaoguoGong等人提出了一种基本深度学习的变化检测方法，参见M.Gong,J.Zhao,J.Liu,Q.Miao,L.Jiao.ChangeDetectioninSyntheticApertureRadarImagesBasedonDeepNeuralNetworks.IEEETransactionsonNeuralNetworksandLearningSystems,Vol.27,No.1,2016:125-138.将深度神经网络的优势引入到图像变化检测中已经成为变化检测方向新的热点。根据处理的目标不同，变化检测也分为像素级别和目标级别，分别对应处理的对象是像素和图像中的目标。阈值、聚类以及上述的基于深度神经网络的变化检测都是像素级别的变化检测，他们处理的对象是图像的像素。这些像素级别的变化检测分类相对准确，但是主要缺陷是易受噪声干扰(尤其是阈值和聚类方法)，并且由于处理的对象是每一个图像的像素，所以处理时计算量比较大。目标级别的变化检测主要是通过图像分割的技术先将待处理的图像进行目标分割，然后再进行分类。其处理速度快，但是精确度主要取决于图像分割的结果，稳定性差。超像素是一种介于像素与目标之间的图像区域，概念就是把图像分割成很多小区域，每个子区域内部之间具有某个特征很强的一致性，然后可以把这一整个块当成一个整体来处理，每一小块就是超像素，这样处理有一些便捷，比如数据点数减少，或者这一块有图像语义，利于后续其他应用。
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，提出一种基于深度神经网络的超像素级SAR图像变化检测方法，以实现在图像变化检测中既能得到比目标级别变化检测更好的结果，又能降低像素级变化检测方法计算量比较大的缺点，使得变化检测结果更稳定。本专利技术的技术方案是：基于深度神经网络的超像素级SAR图像变化检测方法，包括如下步骤：(1)对两幅原始图像进行超像素分割，分别得到分割后的图像SI1、SI2和分割轮廓C1、C2；(2)根据两幅原始图像的分割轮廓，进一步进行精细化分割，使得两幅图像得到相同的精细化分割轮廓C和精细化分割后图像S1和S2，并且两幅图像都得到M个对应的超像素块；(3)求两幅原始图像的差异图，用阈值法或模糊聚类法变化检测方法得到初始变化检测结果图；(4)使用精细化分割轮廓C去分割初始变化检测结果图，并统计被分割的初始变化检测结果图中每个超像素块中变化与未变化的像素点数目，如果变化的像素点数目大于80％，则该超像素块的标签为变化类，如何未变化的像素点数目大于80％，则该超像素块的标签为未变化类；否则该超像素块为不确定；(5)建立堆栈去噪自编码深度神经网络模型；(6)将S1和S2中有确定标签的对应位置的超像素块分别取出，叠加成列向量，输入到建立的堆栈去噪自编码深度神经网络模型中训练；(7)根据初始变化检测结果图得到的标签，使用反向传播算法调整堆栈去噪自编码深度神经网络模型中各个神经元之间的连接权重，得到最终训练好的模型；(8)再次将S1和S2对应位置的所有超像素块分别叠加成列向量，输入到训练好的堆栈去噪自编码深度神经网络模型中，深度神经网络模型将判断对应的超像素块是变化的还是未变化的，最终输出变化检测结果的二值图。上述步骤(2)所述的精细化分割，具体步骤如下：将不同的分割轮廓C1和C2进行精细化分割，得到相同的精细化分割轮廓，即C1＝C2＝C；具体过程为遍历C1和C2每个超像素轮廓的值，如果对应位置轮廓标记相同，则该位置标记不变；如果不同，则该位置赋新的轮廓标记；其中，上述公式(1)中，newlabel是表示与C1和C2的标记都不相同的新的标记；用得到的精细化分割轮廓C重新分割两幅原始图像，得到精细化分割后图像S1和S2，每幅图像都被分割为M个对应的超像素块。上述步骤(4)中用精细化分割轮廓C去分割初始变化检测结果图，得到每个超像素块的标签，按如下方法进行：用得到的精细化分割轮廓C去分割初始变化检测结果图，并得到分割后的图像D；根据分割后的初始变化检测结果图，确定每一块超像素块的标签；其中，上述公式(2)中，(label)j代表第j个超像素块的标签，Dj代表第j个超像素块中像素的总个数，Djunchanged和Djchanged分别代表第j个超像素块中未变化的像素个数和变化的像素个数；用上述公式(2)确定每一块超像素块的标签，0代表该像素块是未变化的，1代表该像素块是变化的。上述步骤(6)所述的将S1和S2中有确定标签的对应超像素块分别取出，叠加成列向量，输入到堆栈去噪自编码深度神经网络模型中训练，按如下方法进行：分别取出两幅原始图像对应位置的超像素块，将取出的两个对应位置的超像素块中的每个像素组成列向量，并把两个列向量叠加为一个列向量作为训练样本输入到堆栈去噪自编码深度神经网络模型中进行训练，该过程是无监督的，训练的数据不需要标签，从底层开始，一层一层的往顶层训练。上述步骤(7)所述的根据初始变化检测结果图得到的标签，调整堆栈去噪自编码深度神经网络模型中各个神经元之间的连接权重，得到最终训练好的深度神经网络模型，按如下方法进行：堆栈去噪自编码深度神经网络模型在训练之后，使用反向传播算法进行参数调整，即通过带标签的数据去训练，误差自顶向下传输，对深度神经网络模型中节点之间连接的参数进行调整，该过程需要使用标签为0或1的超像素块去训练，通过调整节点之间连接的参数得到最终训练好的深度神经网络模型。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、本专利技术由于采用了超像素级别的处理目标，直接检测像素块是变化的还是未变化的，相对像素级别的变化检测降低了计算量，相对目标级别的变化检测增加了准确性；2、采用了深度神经网络模型，提取了超像素块的深层的内部特征，通过训练能更好的分辨变化类与未变化类。附图说明图1是本专利技术实现步骤的流程框图；图2是本专利技术精细化超本文档来自技高网...

【技术保护点】
基于深度神经网络的超像素级SAR图像变化检测方法，其特征在于，包括如下步骤：(1)对两幅原始图像进行超像素分割，分别得到分割后的图像SI

【技术特征摘要】
1.基于深度神经网络的超像素级SAR图像变化检测方法，其特征在于，包括如下步骤：(1)对两幅原始图像进行超像素分割，分别得到分割后的图像SI1、SI2和分割轮廓C1、C2；(2)根据两幅原始图像的分割轮廓，进一步进行精细化分割，使得两幅图像得到相同的精细化分割轮廓C和精细化分割后图像S1和S2，并且两幅图像都得到M个对应的超像素块；(3)求两幅原始图像的差异图，用阈值法或模糊聚类法变化检测方法得到初始变化检测结果图；(4)使用精细化分割轮廓C去分割初始变化检测结果图，并统计被分割的初始变化检测结果图中每个超像素块中变化与未变化的像素点数目，如果变化的像素点数目大于80％，则该超像素块的标签为变化类，如何未变化的像素点数目大于80％，则该超像素块的标签为未变化类；否则该超像素块为不确定；(5)建立堆栈去噪自编码深度神经网络模型；(6)将S1和S2中有确定标签的对应位置的超像素块分别取出，叠加成列向量，输入到建立的堆栈去噪自编码深度神经网络模型中训练；(7)根据初始变化检测结果图得到的标签，使用反向传播算法调整堆栈去噪自编码深度神经网络模型中各个神经元之间的连接权重，得到最终训练好的模型；(8)再次将S1和S2对应位置的所有超像素块分别叠加成列向量，输入到训练好的堆栈去噪自编码深度神经网络模型中，深度神经网络模型将判断对应的超像素块是变化的还是未变化的，最终输出变化检测结果的二值图。2.根据权利要求1所述的基于深度神经网络的超像素级SAR图像变化检测方法，其特征在于，步骤(2)所述的精细化分割，具体步骤如下：将不同的分割轮廓C1和C2进行精细化分割，得到相同的精细化分割轮廓，即C1＝C2＝C；具体过程为遍历C1和C2每个超像素轮廓的值，如果对应位置轮廓标记相同，则该位置标记不变；如果不同，则该位置赋新的轮廓标记；其中，上述公式(1)中，newlabel是表示与C1和C2的标记都不相同的新的标记；用得到的精细化分割轮廓C重新分割两幅原始图像，得到精...

【专利技术属性】
技术研发人员：公茂果，武越，雷超，张普照，李豪，刘嘉，王善峰，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