基于无监督深度神经网络的sar图像变化检测方法
【专利摘要】本发明提出了一种基于无监督的深度网络学习的SAR图像变化检测算法，包括如下步骤：步骤101：开始基于无监督的深度神经网络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FCM联合分类获得粗糙的变化检测结果，Ω＝{Ω1，Ω2}；步骤103：根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本；步骤104：将待训练的样本点输入到设计好的深度神经网络中进行训练；步骤105：将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图；步骤106：结束基于无监督的深度神经网络SAR图像变化检测方法。本发明首先避免了差异图的构造环节，同时一定程度上改善了噪声的敏感问题，显著地提高了检测效果及检测的正确率。
【专利说明】基于无监督深度神经网络的SAR图像变化检测方法
【技术领域】
[0001]本发明属于深度学习与遥感图像处理领域的结合，主要解决遥感图像的变化检测问题，具体提供一种基于无监督深度神经网络的SAR图像变化检测方法(DN)，实现对SAR图像变化的检测。
【背景技术】
[0002]自1978年以来,合成孔径雷达(synthetic aperture radar, SAR)已经掀起了雷达革命技术。其具有的分辨率高，全天时、全天候工作的特点，是可见光、红外传感器等无法比拟的，该技术已经被广泛应用于工农业生产、科研和军事等领域。SAR图像变化检测是通过对不同时期同一区域的两幅SAR图像的比较分析，根据图像之间的差异来得到所需的地物或目标变化信息。SAR变化检测的技术需求日益广泛，目前，全球环境变化加剧，城市急速发展，洪水、地震等自然灾害频频发生，这些都需要及时掌握相关动态信息，为相关决策部门提供支持，SAR图像的种种优点为快速响应提供了技术支持和应急保障。
[0003]目前的SAR图像变化检测方法主要有两种思路:⑴先对两幅配准后图像分别进行分类，通过比较分类结果得出变化部分；(2)先对两幅配准图像做差异图，再对所得的差异图进行分类比较。前一种方法很难获得不同时相图像的不变信息具有相同类别的分类结果，且会夸大变化程度。同时，由于分类累积误差问题降低了变化检测精度。第二类方法的研究空间比较大，思路简单明确，检测精度较高，是当前比较流行的方法。但是这种方法同时也引入了一个新的问题，即差异图的构造。往往只有在得到好的差异图的基础上，检测方法才能达到良好的效果。
[0004]常用的经典SAR图像变化检测方法有(I)基于简单代数运算的变化检测，经典的变化检测方法包括图像差值法、图像比值法、对数比值法；(2)基于图像变换的变换检测，经典的变化检测方法包括主成份分析、变化向量分析法、相关分析法图像变换法；(3)基于图像分类的变化检测方法。
[0005]在变化检测研究中，国内外学者们做了大量的研究。在经典的算法基础上，针对直接代数运算没有考虑到像元的空间上下文信息，误检和漏检现象严重，近年来出现了在此基础上的基于上下文空间关系的变化检测，主要从两个方面进行改进。一方面单尺度上利用差异图像的上下文关系进行进一步的优化得到变化图，如利用马尔可夫随机场对差异图进行分析，继而求得最优变化检测结果；另一方面利用差异图像的小波多尺度信息进行优化得到变化图。
[0006]目前的SAR变化检测算法大部分为中低分辨率、象元级、单极化的SAR影像变化检测。随着SAR技术的日益成熟，图像质量逐渐提高，分辨率逐渐增强，获取数据的能力和精度越来越高，图像获取越来越便捷，SAR变化检测的前景会更加广泛。
【发明内容】
[0007]本发明的目的是提供一种基于无监督深度神经网络的SAR图像变化检测方法，该方法摒弃了传统变化检测的方法，即不通过求得两幅图像的差异图，再对差异图进行分析获得检测结果，而是直接通过深度神经网络训练两幅图像获得最终变化检测结果。该方法思路简单明确，避免了差异图构造对最终结果的影响，通过深度神经网络自身的学习有效地提高了变化检测的精度。
[0008]实现本发明目的的技术关键是通过模糊C均值(FCM)联合分类获得两幅图像的初始变化检测结果，在此基础上训练深度神经网络并通过训练好的网络获得最终的变化检测结果。首先联合分类时通过相似度计算可得到两时相图像对应位置处像素灰度相似性，然后求解全局相似度阈值，用于控制FCM联合分类器；其次，根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本，判断非噪声点时，以该点为中心取一个固定大小的邻域，改邻域内与中心像素点属于同一类的像素个数大于该邻域内像素点总个数的一半时，则判定该像素点为非噪声点；接着，将待训练的样本点输入到设计好的深度神经网络中进行训练，网络输入由两幅图像同一位置处像素点相同邻域内的所有相像素点共同构成，网络训练时，先使用限制波尔兹曼机(RBM)进行预训练，获得初始的网络权值及偏置，然后通过基于最小化交叉熵的共轭梯度法的BP神经网络进行训练；最后，将两幅图像特征输入到训练好的网络中输出最终变化检测结果。
[0009]本发明的技术方案是，一种基于无监督的深度神经网络SAR图像变化检测方法，其特征是:包括如下步骤:
[0010]步骤101:开始基于无监督的深度神经网络SAR图像变化检测方法；
[0011]步骤102:对两幅配准后的同一地区不同时相的SAR图像进行FCM联合分类获得粗糙的变化检测结果，Ω = {Ω1，Ω2};
[0012]步骤103:根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本；
[0013]步骤104:将待训练的样本点输入`到设计好的深度神经网络中进行训练；
`[0014]步骤105:将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图；
[0015]步骤106:结束基于无监督的深度神经网络SAR图像变化检测方法。
[0016]所述的步骤102，包括如下步骤:
[0017]步骤201:开始FCM联合分类算法；
[0018]步骤202:计算两幅图像X1和X2对应位置(i，j)处像素的灰度值相似度Su:
【权利要求】
1.一种基于无监督的深度神经网络SAR图像变化检测方法，其特征是:包括如下步骤: 步骤101:开始基于无监督的深度神经网络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FCM联合分类获得粗糙的变化检测结果，Ω = {Ω1，Ω2}; 步骤103:根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本； 步骤104:将待训练的样本点输入到设计好的深度神经网络中进行训练； 步骤105:将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图； 步骤106:结束基于无监督的深度神经网络SAR图像变化检测方法。
2.根据权利要求1所述的基于无监督的深度神经网络SAR图像变化检测方法，其特征是:所述的步骤102，包括如下步骤: 步骤201:开始FCM联合分类算法； 步骤202:计算两幅图像X1和X2对应位置(i，j)处像素的灰度值相似度Su:
3.根据权利要求1所述的基于无监督的深度神经网络SAR图像变化检测方法，其特征是:所述的步骤103，包括如下步骤: 步骤301:开始 选择深度网络训练的样本的算法； 步骤302:在得到的初始变化检测结果图上，以位置(i，j)像素为中心像素，取大小为5X5的窗口，像素总个数为M=25 ； 步骤303:统计该窗口内与中心像素属于同一类的像素个数η ; 步骤304:如果η≤13，即窗口内像素总个数的一半，则位置(i，j)处的像素被视为噪声点，否则为非噪声点； 步骤305:按照步骤303和步骤304对初始变化检测结果图上每一个位置进行判断，找出所有非噪声点的位置，以两时相图像上对应于非噪声点位置处的像素点为训练样本；步骤306:结束选择深度网络训练的样本的算法。
4.根据权利要求1所述的基于无监督的深度神经网络SAR图像变化检测方法，其特征是:所述的步骤104，包括如下步骤: 步骤401:开始深度神经网络的训练算法； 步骤402:待训练的样本点使用RBM预训练得到网络的初始权值和偏置，网络层数设为3个隐层，每一层节点数目分别为250，150和100，RBM每层训练50代； 步骤403:使用基于最小交叉熵的共轭梯度BP神经网络对RBM预训练网络进行微调，训练代数取为50代； 步骤404:获得最终训练好的神经网络； 步骤405:结束深度神经网络的训练算法。
【文档编号】G06N3/02GK103810699SQ201310733194
【公开日】2014年5月21日 申请日期:2013年12月24日 优先权日:2013年12月24日
【发明者】公茂果, 焦李成, 赵姣姣, 马文萍, 马晶晶, 刘嘉, 雷雨, 李豪 申请人:西安电子科技大学