一种基于空间频域的无监督深度多尺度SAR图像变化检测方法技术

本发明专利技术提出一种基于空间频域的无监督深度多尺度SAR图像变化检测方法。所述方法通过分层模糊C均值聚类对根据检测地区SAR图像生成的差异图像进行伪标签提取，解决了标签不足的问题。让SAR图像变化检测的方法适用于更多场景。本发明专利技术利用输入SAR图像的空间信息和频域信息，并提出了空间多区域多尺度深层特征提取，以这种方式捕获到的图像特征更利于检测。本发明专利技术分别在空间域和频域引入注意力机制和门控线性单元，以此来提高本发明专利技术对变化细节的灵敏程度并且降低SAR图像固有散斑噪声的影响，提高检测精度。提高检测精度。提高检测精度。

【技术实现步骤摘要】
一种基于空间频域的无监督深度多尺度SAR图像变化检测方法


[0001]本专利技术属于遥感图像处理
，具体涉及合成孔径雷达(Synthetic Aperture Radar,SAR)图像变化检测的方法，特别是涉及一种基于空间频域的无监督深度多尺度SAR图像变化检测方法。

技术介绍

[0002]遥感图像变化检测是通过对不同时间同一场景的遥感图像进行分析获得变化信息的过程。合成孔径雷达(SAR)作为遥感技术之一，由于其微波成像原理，在成像过程中不受阳光、云层和天气的影响，为变化检测提供了独特的优势。然而，由于SAR成像系统基本单元的随机后向散射使相位角失去连续性，导致SAR图像中存在散斑噪声。这些固有的散斑噪声使检测技术难以准确的检测出变化区域。
[0003]传统的检测技术采用阈值分割和聚类作为获取变化信息的主要方法，但阈值的微小变动会导致结果出现较大的误差使检测精度较差，而聚类方法对噪声比较敏感，SAR图像中固有的散斑噪声降低了聚类方法的检测精度。随着深度学习的不断发展，基于深度学习的方法不断应用于SAR图像变化检测，例如：深度置信网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空间频域的无监督深度多尺度SAR图像变化检测方法，其特征在于：所述方法包括：步骤1：对已获得的同一地区不同时间的两幅SAR图像I1和I2进行对数比操作，得到差异图像I
d
；步骤2：利用伪标签生成器对差异图像I
d
进行伪标签提取，以此构建训练和测试数据集；步骤3：将生成的训练数据集输入到空间频域的无监督深度多尺度网络中进行训练；步骤4：计算交叉熵损失，进行反向传播；步骤5：将测试数据集输入到训练后的无监督深度多尺度网络中，对测试数据集中的像素点进行标签预测；步骤6：将获得的预测标签与训练数据集中的伪标签进行结合获得最终关于输入地区的变化信息。2.根据权利要求1所述的方法，其特征在于：在步骤1中，对数比操作的计算过程为：其中log代表以e为底的对数运算，|
·
|代表进行绝对值运算。3.根据权利要求2所述的方法，其特征在于：所述步骤2具体为：步骤2.1：对差异图像I
d
进行分层模糊C均值聚类，将差异图像I
d
中的像素划分为3个类别，即变化类、不变类与不确定类；像素点对应的类别信息即为该像素点的伪标签；步骤2.2：从变化类和不变类中选取部分像素点，以选中像素点为中心从两幅输入SAR图像I1、I2和差异图像I
d
中分别提取r
×
r大小的图像块并进行拼接，将拼接后的图像块与图像块中心像素点的伪标签共同作为训练数据集；步骤2.3：以不确定类中的像素为中心，从两幅输入SAR图像I1、I2和差异图像I
d
中分别提取r
×
r大小的图像块并进行拼接构成测试数据集。4.根据权利要求3所述的方法，其特征在于：所述的空间频域的无监督深度多尺度网络对输入数据分别进行空间特征和频域特征的提取，将提取到的特征拼接后判断其变化或没变的可能性，根据可能性的高低得到其对应的像素类别。5.根据权利要求4所述的方法，其特征在于：所述步骤3具体为：步骤3.1：对输入数据进行卷积升维操作；对输入执行卷积操作，其卷积核的大小为n
×1×
1，得到尺寸为n
×
r
×
r大小的卷积特征；步骤3.2：对特征进行多区域选择；将得到的特征分为P1、P2和P3三个部分，每个部分尺寸大小均为选取P1的水平区域，即忽略P1水平上方和下方的边缘区域，保留P1的水平中心区域得到尺寸大小为的水平区域；选取P2的垂直区域，即忽略P2垂直方向上左侧和右侧的边缘区域，保留P2的垂直中心区域得到尺寸大小为的垂直区域；
保留P3完整区域得到尺寸大小为的全区域；步骤3.3：进行深层多尺度特征提取；步骤3.4：将生成的图像块执行快速傅里叶变换得到频域特征，将频域特征通过三个门控线性单元，第三个门控单元输出的特征即为频域特征；其中一个门控线性单元计算过程为：其中D
l
是第l个门控线性单元的输出，X
l
是第l个门控线性单元的输入，W1和W2是权重矩阵，a和b是偏置；步骤3.5：将获得的最终的空间特征与频域特征进行拼接后送入全连接层，得到对应的预测标签。6.根据权利要求5所述的方法，其特征在于：所述步骤3.3具体为：步骤3.3.1：将步骤3.1得到的水平区域、垂直区域和全区域首先与大小为的卷积核进行卷积，分别得到第一层水平特征F
1h
、第一层垂直特征F
1v
和第一层全区域特征F
1a
；步骤3.3.2：将第一层水平特征F
1h
和第一层垂直特征F
1v
忽略的边缘部分用0元素进行填充得到尺寸均为的第一层填充水平特征F
1hz
和第一层填充垂直特征F
1vz
，将第一层全区域特征F
1a
通过通道
‑
空间注意力机制后得到第一层关键特征F
1k
；将第一层填充水平特征F
1hz
、第一层填充垂直特征F
1vz
和第一层关键特征F
1k
进行相加得到第一层空间特征F1；第一层空间特征F1计算过程为：F1＝F
1hz
+F
1vz
+F
1k
步骤3.3.3：将得到的第一层空间特征F1再次进行多区域选择；步骤3.3.4：将步骤3.3.3得到的水平区域、垂直区域和全区域与大小为的卷积核进行卷积...

【专利技术属性】
技术研发人员：王路，马丽睿，赵天睿，鄂佳慧，赵春晖，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：