[发明专利]基于增量CAE的高分辨SAR图像变化检测方法

说明书

本发明公开了一种基于增量CAE的高分辨SAR图像变化检测方法，主要解决现有方法中SAR图像变化检测易受斑点噪声的影响，检测精度不高且检测速度慢的问题。本发明的具体步骤如下：(1)输入高分辨SAR图像；(2)构建初始样本集；(3)归一化；(4)构建增量卷积自编码CAE网络；(5)构建误差函数；(6)训练增量卷积自编码CAE网络；(7)获得特征差异图；(8)获得15×15像素尺度下变化检测结果图；(9)获得三个不同尺度下的变化检测结果图；(10)融合不同尺度的变化检测结果图；(10)输出高分辨合成孔径雷达SAR图像变化检测的结果图。本发明具有对SAR图像变化检测的噪声影响鲁棒性好、检测精度高和检测速度快的优点。

技术领域

本发明属于图像处理技术领域，更进一步涉及遥感图像变化检测技术领域中的一种基于增量卷积自编码CAE(Convolution Auto Encoder)的高分辨合成孔径雷达SAR(Synthetic Aperture Radar)图像变化检测方法。本发明可实现对两幅不同时相获取的高分辨SAR图像不同区域的检测，可广泛应用于地物覆盖与利用、森林与植被的覆盖率检测，自然灾害监测与评估，城市规划等领域。

背景技术

高分辨合成孔径雷达SAR图像变化检测是指利用不同时间获取的同一地理区域的多时相遥感图像定性或定量地分析和确定地表变化特征的过程。由于变化检测技术可以检测出遥感图像的局部纹理变化信息以及辐射值，使得高分辨合成孔径雷达SAR图像变化检测在国民经济和军事应用领域有着广泛的应用。近年来，利用高分辨合成孔径雷达SAR图像进行变化检测在国际遥感领域受到高度重视，已经成为图像处理的主要技术之一。

Zhang P等人在其发表的论文“Change detection based on deep featurerepresentation and mapping transformation for multi-spatial-resolution remotesensing images”(Isprs Journal of Photogrammetry&Remote Sensing,2016,116:24-41.)中提出了一种多空间分辨率下SAR图像变化检测方法。该方法结合了无监督特征学习和特征变化分析。其中，无监督特征学习过程采用了堆栈降噪自编码网络，堆栈降噪自编码网络是无监督学习的代表，可以有效学习到两幅SAR图像的高维特征表示。特征变化分析过程是基于学习到的SAR图像特征对构造映射函数，再利用该映射函数实现特征对到变化区域的映射。该方法通过降噪自编码网络可以提取到图像的高层特征，有效抑制了SAR图像噪声。但是，该方法仍然存在的不足之处是，由于堆栈自编码网络只能处理一维数据，没有充分利用SAR图像的二维空间信息，对于两幅灰度变化不明显而空间位置上变化明显的SAR图像检测效果不好。

西安电子科技大学在其申请的专利文献“基于SAE和显著性检测的高分辨SAR图像变化检测方法”(专利申请号：201710365433.0，公开号：CN107256409A)中提出了一种基于SAE和显著性检测的高分辨SAR图像变化检测方法。该方法先通过基于堆栈自编码网络的显著性检测得到两幅SAR图像的显著性区域，之后对两幅SAR图像的显著性区域提取对数比值差异图，再对对数比值差异图采用模糊c均值聚类算法得到变化检测结果。其中，显著性检测首先从两幅SAR图像中提取不同大小的图像块作为训练样本集，用该训练样本集训练三层堆栈自编码网络得到两幅图像的特征，再对两幅图像的特征差异性进行分析得到显著性区域。该方法通过显著性检测的方法减小了待检测区域。但是，该方法仍然存在的不足之处是，当显著性区域较大时，基于像素的聚类方法仍然很耗时，对高分辨SAR图像噪声抑制效果不明显，检测精度不高。

发明内容

本发明的目的在于克服上述现有技术的不足，提出了一种基于增量CAE的高分辨SAR图像变化检测方法。本发明与现有其他高分辨SAR图像变化检测技术相比，能够有效抑制斑点噪声，且提高SAR图像变化检测的检测精度和速度。