[发明专利]基于深度神经网络的超像素级SAR图像变化检测方法

说明书

本发明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。

技术领域

本发明属于图像处理技术领域，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、自然灾害评估等技术领域中。

背景技术

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(Synthetic Aperture Radar,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(Deep learning)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：Maoguo Gong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.Change Detection in Synthetic Aperture Radar Images Based on DeepNeural Networks.IEEE Transactions on Neural Networks and Learning Systems,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。

发明内容

本发明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。

本发明的技术方案是：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：