[发明专利]基于全局-局部SPP Net的高分辨SAR图像变化检测方法

说明书

本发明公开了基于全局‑局部SPP Net的高分辨SAR图像变化检测方法，包括如下步骤：从两幅配准后的同一地区不同时相的SAR图像中，选取部分有标签数据作为训练样本；将训练样本归一化到[0，1]之间，记作X1；从X1中选择m组较大尺度的图像块送入局部大尺度SPP Net进行感兴趣区域检测训练，得到训练好的感兴趣区域检测模型；从X1中选择n组较小尺度的图像块送入局部小尺度SPP Net进行变化检测训练，得到训练好的变化检测模型；再从待检测地区任意选取a×b的大图，作为测试数据送入局部大尺度SPP Net感兴趣区域检测网络进行ROI测试，得到最终的ROI测试结果；再将得到的ROI检测结果送入局部小尺度下的SPP Net变化检测网络进行变化检测测试，得到最终的变化检测结果图。

【技术领域】

本发明属于深度学习与遥感图像处理领域的结合，具体涉及一种基于全局-局部SPP Net的高分辨SAR图像变化检测方法，实现对高分辨SAR图像的变化检测。

【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。

【发明内容】

本发明的目的在于针对上述问题，提出一种基于全局-局部SPP Net的高分辨SAR图像变化检测方法，本发明利用局部SPP Net中的大尺度检测网络进行感兴趣区域检测，再针对检测到的感兴趣区域进行局部SPP Net中的小尺度检测网络做变化检测，从而实现对大规模图像进行准确的变化检测。

本发明所采用的技术方案如下：

一种基于全局-局部SPP Net的高分辨SAR图像变化检测方法，包括如下步骤：

步骤1，从两幅配准后的同一地区不同时相的SAR图像中，选取部分有标签数据作为训练样本；

步骤2，将步骤1选取的训练样本归一化到[0，1]之间，记作X1；

步骤3，从X1中选择m组较大尺度的图像块送入局部大尺度SPP Net进行感兴趣区域检测训练，得到训练好的局部大尺度SPP Net，其中m为正整数；

步骤4，从X1中选择n组较小尺度的图像块送入局部小尺度SPP Net进行变化检测训练，得到训练好的局部小尺度SPP Net，其中n为正整数，n>m；

步骤5，从待检测地区任意选取a×b像素的图像作为测试数据送入训练好的局部大尺度SPP Net进行ROI测试，得到最终的ROI测试结果；

步骤6，将步骤5中得到的ROI检测结果送入训练好的局部小尺度SPP Net进行变化检测测试，得到最终的变化检测结果图。

所述步骤3包括如下步骤：

步骤3.1，从归一化后的训练样本X1中取m组图像块，通过这m组图像块构成基于图像块的输入矩阵X11、X12、……X1m，将这m组输入矩阵作为局部大尺度SPP Net的输入数据；