基于神经网络的获取非均衡SAR图像变化检测图的方法技术

本发明专利技术公开了一种基于神经网络的获取非均衡SAR图像变化检测图的方法，在对非均衡图像的研究中，该方法突破了传统SAR图像变化检测的一般流程，在不经过滤波和差异图构造的基础上，直接将两幅图像联合起来通过深度神经网络进行分类。方法结构清晰简单，效果优良，省去了大量的预处理操作，是变化检测问题的一个突破。

【技术实现步骤摘要】
基于神经网络的获取非均衡SAR图像变化检测图的方法
本专利技术涉及非均衡SAR图像变化检测图获取方法，具体涉及一种基于神经网络的获取非均衡SAR图像变化检测图的方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar,SAR)技术已经成为雷达
图像源的重要获取途径，在获得SAR图像时，两幅同一地域不同时间的图像，由于外部环境的差异，如气候条件、光照强度、噪声等级和种类，甚至拍摄设备的不同，会导致成像的效果亦有所不同，这样的图被称作非均衡SAR图像。在非均衡SAR图像变化检测中，要不断对变化类进行细分，受到噪声、光照等干扰，会使得信息分布不均衡，无法准确表示地物特征。由于非均衡信息的存在，影响整幅图像，现有技术中的非均衡SAR图像变化检测图获取方法普遍存在着以下问题：噪声干扰：由于散斑噪声对SAR成像过程的干扰，降低了SAR图像灰度分辨率，降低成像质量，增加了解译难度。对差异图进行变化检测时也会产生噪点，影响细节检测，导致出现误检。目前已有众多算法对图像进行去噪预处理，但滤波或平滑等操作会丢失图像细节信息，影响变化检测结果。差异图质量不高：现有技术通过简单的比值或差值生成差异图，在抑制噪声和保留细节信息上效果不佳，丢失图像边缘和结构信息，存在着普适性差、对噪声敏感、复杂度高等问题。
技术实现思路
本专利技术的目的在于提供一种基于神经网络的获取非均衡SAR图像变化检测图的方法，用以解决现有技术中的变化检测图获取方法在面对非均衡SAR图像时存在的噪声干扰导致变化检测图获取的准确度不高等问题。为了实现上述任务，本专利技术采用以下技术方案：一种基于神经网络的获取非均衡SAR图像变化检测图的方法，用于获得同一地域在不同时间采集的两幅非均衡SAR图像之间的变化检测图，按照以下步骤执行：步骤1、对所述的两幅非均衡SAR图像分别进行特征提取，获得第一特征图以及第二特征图；步骤2、利用减法获得第一特征图与第二特征图之间的差异图；步骤3、对所述差异图中所有的像素点进行分类，获得无变化像素点集、正向变化像素点集以及负向变化像素点集；步骤4、根据无变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一无变化特征图以及第二无变化特征图；根据正向变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一正向变化特征图以及第二正向变化特征图；根据负向变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一负向变化特征图以及第二负向变化特征图；步骤5、将所述的第一无变化特征图作为输入，将所述的第二无变化特征图作为输出，训练神经网络，获得无变化映射函数；将所述的第一正向变化特征图作为输入，将所述的第二正向变化特征图作为输出，训练神经网络，获得正向变化映射函数；将所述的第一负向变化特征图作为输入，将所述的第二负向变化特征图作为输出，训练神经网络，获得负向变化映射函数；步骤6、将所述的第一特征图输入至无变化映射函数，获得第三无变化特征图；将所述的第一特征图输入至正向变化映射函数，获得第三正向变化特征图；将所述的第一特征图输入至负向变化映射函数，获得第三负向变化特征图；步骤7、将所述的第三无变化特征图与第二无变化特征图做差，获得无变化通道图；将所述的第三正向变化特征图与第二正向变化特征图做差，获得正向变化通道图；将所述的第三负向变化特征图与第二负向变化特征图做差，获得负向变化通道图；步骤8、将所述的无变化通道图、正向变化通道图以及负向变化通道图进行合并后再聚类，获得变化检测图。进一步地，所述的步骤1中采用堆叠去噪自编码器对所述的两幅非均衡SAR图像分别进行特征提取，获得第一特征图以及第二特征图。进一步地，所述的步骤3中采用FCM聚类算法对所述差异图中所有的像素点进行分类。进一步地，所述的步骤5中的神经网络均为堆叠稀疏自动编码器。本专利技术与现有技术相比具有以下技术特点：1、本专利技术提供的获取变化检测图的方法针对的SAR图像多分类变化检测，打破了现有的C2VA技术只能在多光谱图像上进行多分类变化检测这一局限，为常见的单光谱图像的多分类变化检测提供了新思路；2、本专利技术提供的获取变化检测图的方法通过采用了堆叠去噪自编码器省去了传统流程中大量的预处理操作，设计参数共享能大幅减少硬件的存储压力，去噪自编码器能够减少非均衡信息对SAR图像的影响，提取出更加鲁棒的特征，并增强变化检测的抗干扰性。通过堆栈的方式不断构建新的隐层，能够获取更加纯净的特征；3、本专利技术提供的获取变化检测图的方法通过加入稀疏约束的自编码器能够增强模型的泛化能力，在特征映射的过程中进一步提高模型的抗噪性，并极大可能保存SAR图像边缘等细节信息；能减小第一步提取特征时产生的误差，获取更有用的特征，SSAE构建的映射函数建立起了两个特征之间的关系；4、本专利技术提供的获取变化检测图的方法通过将堆叠去噪自编码器和稀疏约束的自编码器进行结合，前者用来提取SAR图像的深度特征，后者用来建立特征之间的函数关系，它们在所提出的信息非均衡图像的三分类变化检测框架中扮演着不可或缺的角色，然后通过生成和分割一个特征索引图获得最终的三分类变化检测图，本专利技术提供的方法能够最大程度上的减少非均衡信息带来的干扰和影响，并提高分类准确度。附图说明图1为本专利技术的一个实施例中提供的原始SAR图像以及实际变化图；图2为本专利技术的一个实施例中提供的KI算法、C2VA算法、FCM算法以及本专利技术提供的算法的实验结果图。具体实施方式特征图：进行特征提取后，将特征矩阵以图像的形式进行输出，特征图中每一个像素值表示一个特征值。差异图：也称特征差异图，是两幅特征图做差得到的，用于判断两幅特征图之间的差别。无变化像素点、正向变化像素点以及负向变化像素点：无变化像素点：差异图中像素值趋近于0的像素点，表示该像素点对应的生成差异图的两幅特征图上的特征值完全相同；正向变化像素点、负向变化像素点为剩下的两类中的任一类，分类方法参考论文《Changedetectionbasedondeepfeaturerepresentationandmappingtransformationformulti-spatial-resolutionremotesensingimages》中提供的方法将差异图分成的三种类别。堆叠去噪自编码器：神经网络的一种，通过将降噪自编码器的低层隐单元输出作为当前层的输入，可以把自编码器堆叠成深度网络，可以用于提取图像特征。堆叠稀疏自动编码器：神经网络的一种，它可以在无监督的预训练阶段自动学习新功能以分离输入数据，这些新特征在监督训练阶段用作初始化参数，以增强SSAE的收敛到最佳结果，以及改善之前提取特征的抗噪声性，它能够完成一个输入X到输出Y的映射过程。现有技术中SAR图像变化检测的一般流程如下：首先对两个时相的SAR图像进行预处理，然后提取两幅时相图像的变化信息，之后得出变化检测结果图，最后评估变化检测的效果。目前的SAR图像变化检测方法普遍采用两种思路：1)先对两幅配准后的图像分别进行分类，通过比较分类结果得出变化部分。通过这种方法，不同时相图像的不变信息很难具有相同类别本文档来自技高网...

【技术保护点】
1.一种基于神经网络的获取非均衡SAR图像变化检测图的方法，用于获得同一地域在不同时间采集的两幅非均衡SAR图像之间的变化检测图，其特征在于，按照以下步骤执行：步骤1、对所述的两幅非均衡SAR图像分别进行特征提取，获得第一特征图以及第二特征图；步骤2、利用减法获得第一特征图与第二特征图之间的差异图；步骤3、对所述差异图中所有的像素点进行分类，获得无变化像素点集、正向变化像素点集以及负向变化像素点集；步骤4、根据无变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一无变化特征图以及第二无变化特征图；根据正向变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一正向变化特征图以及第二正向变化特征图；根据负向变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一负向变化特征图以及第二负向变化特征图；步骤5、将所述的第一无变化特征图作为输入，将所述的第二无变化特征图作为输出，训练神经网络，获得无变化映射函数；将所述的第一正向变化特征图作为输入，将所述的第二正向变化特征图作为输出，训练神经网络，获得正向变化映射函数；将所述的第一负向变化特征图作为输入，将所述的第二负向变化特征图作为输出，训练神经网络，获得负向变化映射函数；步骤6、将所述的第一特征图输入至无变化映射函数，获得第三无变化特征图；将所述的第一特征图输入至正向变化映射函数，获得第三正向变化特征图；将所述的第一特征图输入至负向变化映射函数，获得第三负向变化特征图；步骤7、将所述的第三无变化特征图与第二无变化特征图做差，获得无变化通道图；将所述的第三正向变化特征图与第二正向变化特征图做差，获得正向变化通道图；将所述的第三负向变化特征图与第二负向变化特征图做差，获得负向变化通道图；步骤8、将所述的无变化通道图、正向变化通道图以及负向变化通道图进行合并后再聚类，获得变化检测图。...

【技术特征摘要】
1.一种基于神经网络的获取非均衡SAR图像变化检测图的方法，用于获得同一地域在不同时间采集的两幅非均衡SAR图像之间的变化检测图，其特征在于，按照以下步骤执行：步骤1、对所述的两幅非均衡SAR图像分别进行特征提取，获得第一特征图以及第二特征图；步骤2、利用减法获得第一特征图与第二特征图之间的差异图；步骤3、对所述差异图中所有的像素点进行分类，获得无变化像素点集、正向变化像素点集以及负向变化像素点集；步骤4、根据无变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一无变化特征图以及第二无变化特征图；根据正向变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一正向变化特征图以及第二正向变化特征图；根据负向变化像素点集中的每个像素点在差异图中的位置分别在第一特征图以及第二特征图中找到相应位置上的特征，获得第一负向变化特征图以及第二负向变化特征图；步骤5、将所述的第一无变化特征图作为输入，将所述的第二无变化特征图作为输出，训练神经网络，获得无变化映射函数；将所述的第一正向变化特征图作为输入，将所述的第二正向变化特征图作为输出，训练神经网络，获得正向变化映射函数；将所述的第一负向变...

【专利技术属性】
技术研发人员：周明全，郭梦媛，苏临之，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西,61