基于SPPNet和感兴趣区域检测的高分辨SAR图像变化检测方法与流程

本发明属于深度学习与遥感图像处理领域，涉及一种基于sppnet和感兴趣区域检测的高分辨sar图像变化检测方法。

背景技术：

近年来，随着航空和航天遥感技术的飞速发展，变化检测技术经过几十年的发展，在各方面都取得了一定进展。从数据源角度看，变化检测已不再局限于使用单一的遥感影像，而是综合利用多来源、多平台、多分辨率的遥感影像、gis数据及一些辅助数据检测变化信息；从技术角度看，传统的变化检测方法日趋完善，新方法不断涌现。其中，传统的sar图像变化检测的方法主要分为两类，一类是采用非深度学习的变化检测算法，另一类是结合了深度学习的变化检测算法。

传统的单极化sar非深度学习变化检测方法的基本流程包括：图像预处理、生成差异图和分析差异图等三个部分。传统的生成差异图方法有：图像差值法、图像比值法、对数比值法。该方法思路简单清晰，检测准确率相对较高。但是，这种方法对差异图的依赖性较高，只有在获得较好差异图的基础上，才会获得良好的检测结果。目前，结合深度学习进行sar图像变化检测的研究不是很多，已实现的检测方法大多是针对小规模图像，采用dbn或者ae的方法，这些方法虽然避免了差异图的产生，但是在处理大规模、高分辨图像时，准确率相对较低。

技术实现要素：

本发明的目的在于克服上述现有技术的缺点，提供了一种基于sppnet和感兴趣区域检测的高分辨sar图像变化检测方法，该方法实现大规模、高分辨sar图像的变化检测，并且变化检测精度较高。

为达到上述目的，本发明所述的基于sppnet和感兴趣区域检测的高分辨sar图像变化检测方法包括以下步骤：

1)获取两幅配准后同一地区不同时相的sar图像，然后从两幅配准后同一地区不同时相的sar图像选取若干有标签数据，并将选取出来的有标签数据作为训练样本；

2)将训练样本归一化到[0，1]之间，并将归一化的结果记作样本x；

3)从样本x中选择不同尺度的图像块，并将选择出来的不同尺度的图像块输入到sppnet感兴趣区域检测网络中进行感兴趣区域检测训练，得到训练好的sppnet感兴趣区域检测网络；

4)从待检测地区选取两幅尺寸为2000×2000的图像，并将选取出来的两幅尺寸为2000×2000的图像作为测试数据送入sppnet感兴趣区域检测网络进行感兴趣测试，得最终的感兴趣区域；

5)将步骤4)中得到的最终的感兴趣区域对应的位置映射到对应尺寸为2000×2000的图像，并将所述尺寸为2000×2000的图像中的非感兴趣区域的像素值设置为0，得两幅经过感兴趣检测后sar图像i1及i2；

6)通过基于图像块的gki对经步骤5)得到的两幅经过感兴趣检测后sar图像i1及i2进行变化检测，得最终的变化检测结果图，完成基于sppnet感兴趣区域检测的高分辨sar图像变化检测。

步骤3)的具体操作为：

3a)从样本x1中取50×50的图像块、55×55的图像块、60×60的图像块，然后通过50×50的图像块、55×55的图像块及60×60的图像块构成基于图像块的输入矩阵x11、x12及x13；

3b)选择sppnet感兴趣区域检测网络，其中，sppnet感兴趣区域检测网络由依次相连接的输入层、第一卷积层、最大池化层、第二卷积层、第三卷积层、空间金子塔池化层、第一全连接层、第二全连接层及softmax分类器组成；

3c)给定sppnet感兴趣区域检测网络各层的特征映射图，确定第一卷积层、第二卷积层及第三卷积层的滤波器尺寸，并随机初始化第一卷积层、第二卷积层及第三卷积层的滤波器；

3d)将所述基于图像块的输入矩阵x11、x12及x13输入到sppnet感兴趣区域检测网络中，获取sppnet感兴趣区域检测网络的网络参数，得到训练好的sppnet感兴趣区域检测网络。

步骤4)的具体操作为：

4a)从待检测地区选取尺寸为2000×2000的图像，再对尺寸为2000×2000的图像进行归一化处理，从归一化后的尺寸为2000×2000的图像中选取50×50的图像块、55×55的图像块及60×60的图像块，然后根据50×50的图像块、55×55的图像块及60×60的图像块构建基于图像块的输入矩阵x21、x22及x23；

4b)将基于图像块的输入矩阵x21、x22及x23输入到训练好的sppnet感兴趣区域检测网络，获取相应的3组检测结果；

4c)对步骤4b)得到的3组检测结果累计求和，得heatmap1；

4d)设定阈值t1，将heatmap1大于阈值t1的像素值置为255，将heatmap1小于等于阈值t1的像素值置为0。

步骤6)的具体操作为：

6a)对两幅经过感兴趣检测后sar图像i1及i2做均值比值差异图di(x)，其中，

其中，it(x)为第t时相的灰度值；

6b)将均值比值差异图di(x)修改为基于结构块的形式，得到改进后的均值比值差异图di^*(x)，其中，

其中，ωx为以位置x为中心的邻域，it(x)为第t时相的灰度值；

6c)根据步骤6b)得到的改进后的均值比值差异图di^*(x)得到直方图h(xl)；

6d)设最小化代价函数得阈值t2；

其中，

对于给定的灰度值和具体阈值t，p(wixi,t)(i＝u,c)表示变化类及未变化类的后验概率，其中，

其中上式的解析表达式为：

则广义高斯假设下的代价函数被优化为：

6e)将改进后的差异图di^*(x)中像素超过阈值t2的像素点置为255，将改进后的差异图di^*(x)中像素不超过阈值t2的像素点置为0。

步骤3b)中输入层的特征映射图数目为4，第一卷积层的特征映射图数目为8，第一卷积层的滤波器尺寸为5，最大池化层的下采样尺寸为2，第二卷积层的特征映射图数目为8，第二卷积层的滤波器尺寸为5，第三卷积层的特征映射图数目为16，第三卷积层的置滤波器尺寸为3，空间金子塔池化层包括三层，第一全连接层的特征映射图数目为128，第二全连接层的特征映射图数目为2。

本发明具有以下有益效果：

本发明所述的基于sppnet和感兴趣区域检测的高分辨sar图像变化检测方法在具体操作时，通过两幅配准后同一地区不同时相的sar图像得到训练好的sppnet感兴趣区域检测网络，然后再通过sppnet感兴趣区域检测网络提取待检测地区中选取的2000×2000图像的感兴趣区域，实现感兴趣区域的较好提取，从而有效的提高变化检测的准确率，同时满足大规模、高分辨sar图像的变化检测，另外，本发明通过基于图像块的gki对经步骤5)得到的两幅经过感兴趣检测后sar图像i1及i2进行变化检测，从而减少相干斑噪声的影响，经仿真表明，本发明检测效果优良，pcc系数及kappa系数较高。

附图说明

图1为本发明的实现流程图；

图2为本发明中sppnet的网络结构图；

图3a为拍摄于2009年4月6日大小为2000×2000的图像；

图3b为拍摄于2009年9月7日大小为2000×2000的图像；

图4a为图3a与图3b的ki变化检测结果图；

图4b为图3a与图3b的gki变化检测结果图；

图4c为图3a与图3b的k-means变化检测结果图；

图4d为图3a与图3b的kcm变化检测结果图；

图5a为图3a与图3b的roi检测结果图；

图5b为图3a与图3b的变化检测结果图；

图6a为拍摄于2009年4月6日、图像大小为2000×2000的图像；

图6b为拍摄于2009年9月7日、图像大小为2000×2000的图像；

图7a为图6a与图6b的ki变化检测结果图；

图7b为图6a与图6b的gki变化检测结果图；

图7c为图6a与图6b的k-means变化检测结果图；

图7d为图6a与图6b的fcm变化检测结果图；

图8a为图6a与图6b的roi检测结果图；

图8b为图6a与图6b的变化检测结果图；

图9a为拍摄于2009年4月6日、图像大小为2000×2000的图像；

图9b为拍摄于2009年9月7日、图像大小为2000×2000的图像；

图10为图9a的参考图；

图11a为图9a与图9b的ki变化检测结果图；

图11b为图9a与图9b的gki变化检测结果图；

图11c为图9a与图9b的k-means变化检测结果图；

图11d为图9a与图9b的fcm变化检测结果图；

图12a为图9a与图9b的roi检测结果图；

图12b为图9a与图9b的变化检测结果图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图1，本发明所述的基于sppnet和感兴趣区域检测的高分辨sar图像变化检测方法包括以下步骤：

1)获取两幅配准后同一地区不同时相的sar图像，然后从两幅配准后同一地区不同时相的sar图像选取若干有标签数据，并将选取出来的有标签数据作为训练样本；

2)将训练样本归一化到[0，1]之间，并将归一化的结果记作样本x；

3)从样本x中选择不同尺度的图像块，并将选择出来的不同尺度的图像块输入到sppnet感兴趣区域检测网络中进行感兴趣区域检测训练，得到训练好的sppnet感兴趣区域检测网络；

步骤3)的具体操作为：

3a)从样本x1中取50×50的图像块、55×55的图像块、60×60的图像块，然后通过50×50的图像块、55×55的图像块及60×60的图像块构成基于图像块的输入矩阵x11、x12及x13；

3b)选择sppnet感兴趣区域检测网络，其中，sppnet感兴趣区域检测网络由依次相连接的输入层、第一卷积层、最大池化层、第二卷积层、第三卷积层、空间金子塔池化层、第一全连接层、第二全连接层及softmax分类器组成；步骤3b)中输入层的特征映射图数目为4，第一卷积层的特征映射图数目为8，第一卷积层的滤波器尺寸为5，最大池化层的下采样尺寸为2，第二卷积层的特征映射图数目为8，第二卷积层的滤波器尺寸为5，第三卷积层的特征映射图数目为16，第三卷积层的置滤波器尺寸为3，空间金子塔池化层包括三层，第一全连接层的特征映射图数目为128，第二全连接层的特征映射图数目为2。

3c)给定sppnet感兴趣区域检测网络各层的特征映射图，确定第一卷积层、第二卷积层及第三卷积层的滤波器尺寸，并随机初始化第一卷积层、第二卷积层及第三卷积层的滤波器；

3d)将所述基于图像块的输入矩阵x11、x12及x13输入到sppnet感兴趣区域检测网络中，获取sppnet感兴趣区域检测网络的网络参数，得到训练好的sppnet感兴趣区域检测网络。

4)从待检测地区选取两幅尺寸为2000×2000的图像，并将选取出来的两幅尺寸为2000×2000的图像作为测试数据送入sppnet感兴趣区域检测网络进行感兴趣测试，得最终的感兴趣区域；

步骤4)的具体操作为：

4a)从待检测地区选取尺寸为2000×2000的图像，再对尺寸为2000×2000的图像进行归一化处理，从归一化后的尺寸为2000×2000的图像中选取50×50的图像块、55×55的图像块及60×60的图像块，然后根据50×50的图像块、55×55的图像块及60×60的图像块构建基于图像块的输入矩阵x21、x22及x23；

4b)将基于图像块的输入矩阵x21、x22及x23输入到训练好的sppnet感兴趣区域检测网络，获取相应的3组检测结果；

4c)对步骤4b)得到的3组检测结果累计求和，得heatmap1；

4d)设定阈值t1，将heatmap1大于阈值t1的像素值置为255，将heatmap1小于等于阈值t1的像素值置为0。

5)将步骤4)中得到的最终的感兴趣区域对应的位置映射到对应尺寸为2000×2000的图像，并将所述尺寸为2000×2000的图像中的非感兴趣区域的像素值设置为0，得两幅经过感兴趣检测后sar图像i1及i2；

6)通过基于图像块的gki对经步骤5)得到的两幅经过感兴趣检测后sar图像i1及i2进行变化检测，得最终的变化检测结果图，完成基于sppnet感兴趣区域检测的高分辨sar图像变化检测。

步骤6)的具体操作为：

6a)对两幅经过感兴趣检测后sar图像i1及i2做均值比值差异图di(x)，其中，

其中，it(x)为第t时相的灰度值；

6b)将均值比值差异图di(x)修改为基于结构块的形式，得到改进后的均值比值差异图di^*(x)，其中，

其中，ωx为以位置x为中心的邻域，it(x)为第t时相的灰度值；

6c)根据步骤6b)得到的改进后的均值比值差异图di^*(x)得到直方图h(xl)；

6d)设最小化代价函数得阈值t2；

其中，

对于给定的灰度值和具体阈值t，p(wixi,t)(i＝u,c)表示变化类及未变化类的后验概率，其中，

其中上式的解析表达式为：

则广义高斯假设下的代价函数被优化为：

6e)将改进后的差异图di^*(x)中像素超过阈值t2的像素点置为255，将改进后的差异图di^*(x)中像素不超过阈值t2的像素点置为0。

仿真实验

仿真条件：硬件平台为intel(r)xeon(r)cpue5-2630，2.40ghz*16，内存为64g；软件平台为torch7。

仿真参数：

对于实验中有参考图的人为仿真图，可以进行定量的变化检测结果分析：

1)计算漏检个数：统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化但实验结果图中检测为未变化的像素个数，称为漏检个数fn；

2)计算错检个数：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为错检个数fp；

3)正确分类的概率pcc：pcc＝(tp+tn)/(tp+fp+tn+fn)；

4)衡量检测结果图与参考图一致性地kappa系数：kappa＝(pcc-pre)/(1-pre)，其中，

pre＝(tp+fp)×nc+(fn+tn)×nu/n²

n表示总像素个数，nc和nu分别表示实际的变化像素数和未变化像素数。

仿真内容：

1)本发明首先通过ki、gki、k-means、fcm对第一组实验检测图进行变化检测；2)然后通过基于sppnet感兴趣区域检测的高分辨sar图像变化检测对第一组实验检测图进行变化检测；3)通过ki、gki、k-means、fcm对第二组实验检测图进行变化检测；4)通过基于sppnet感兴趣区域检测的高分辨sar图像变化检测对第二组实验检测图进行变化检测；5)通过ki、gki、k-means、fcm对第三组仿真检测图进行变化检测，并根据参考图得到相关性能指标；6)通过基于sppnet感兴趣区域检测的高分辨sar图像变化检测对第二组实验检测图进行变化检测，并根据参考图得到相关性能指标。

仿真实验结果及分析：

反应纳米比亚地区变化面积相对较小的sar图像如图3所示，图3a及图3b的拍摄时间分别为2009年4月6号和2009年9月7号，大小均为2000×2000。

通过ki进行变化检测的结果如图4a所示，gki的检测结果如图4b所示，k-means的检测结果如图4c所示，fcm的检测结果如图4d所示；采取本发明方法检测的结果如图5所示，可见在变化区域较小的地区，采取本发明可以较好地克服斑点噪声，减少噪声干扰，变化检测结果较好。

反应纳米比亚地区变化面积相对较大的sar图像如图6所示，图6a及图6b的拍摄时间分别为2009年4月6号及2009年9月7号，大小均为2000×2000。

通过ki进行变化检测的结果如图7a所示，gki的检测结果如图7b所示，k-means的检测结果如图7c所示，fcm的检测结果如图7d所示。采取本发明方法检测的结果如图8a及图8b所示。可见在变化区域较大的地区，采取本发明仍然可以有效地减少噪声，鲁棒性较好，变化检测结果相对提高。

反应纳米比亚地区人工仿真的sar图像如图9所示，图9a和图9b的仿真时间分别为2009年4月6号和2009年9月7号，大小均为2000×2000。

通过ki进行变化检测的结果如图11a所示，gki的检测结果如图11b所示，k-means的检测结果如图11c所示，fcm的检测结果如图11d所示。采取本发明方法检测的结果如图12a及图12b所示。可见在人工生成的数据上，本发明方法的检测结果图更为清晰，噪声干扰小，检测效果好。每种方法的检测结果性能指标如表1所示。

表1

从表1中可以看出，本发明的变化检测正确率以及kappa值都比较理想，检测结果优良。