[发明专利]基于显著性分析的PCANet图像变化检测方法

说明书

本发明公开了一种基于显著性分析的PCANet图像变化检测方法。主要解决现有Automatic PCANet方法导致的训练样本过多，处理时间过长以及SAR图像的散射噪声对分类结果产生影响的问题。其实现步骤是：对两时相SAR图像获取差异图；对差异图进行显著性分析；利用门限方法提取显著区域，再次使用门限方法分类得到正样本、负样本以及不确定像素；利用PCANet提取正、负样本以及不确定像素对应的特征，用正、负样本对应特征训练支持向量机SVM模块，再将不确定像素的特征输入SVM进行最终分类。本发明与现有Automatic PCANet方法相比，检测精度及运算效率高，抗噪性能好，可用于SAR图像变化检测。

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，具体是一种基于显著性分析的PCANet图像变化检测方法，可用于资源和环境监测、军事目标探测、以及自然灾情的监测与评估。

背景技术

SAR图像的变化检测是指利用不同时期的SAR图像获取地物变化信息的过程，是一种针对SAR图像的特点而建立的数据分析方法，用于识别地表状态的变化。以合成孔径雷达(SAR)为代表的微波遥感是主动式微波成像传感器，可以获得大面积高分辨率的遥感影像，并且天时全天候拍摄，对地表穿透能量强，对地纹理特征及金属目标探测能力强，同时具有多波段多极化的散射特征。所以SAR成像技术对于光学遥感和其他微波遥感，不仅具有可变侧视角，还可以准确详细地获取地理信息，并且不受天气影响，因此在变化检测技术上有着广泛的应用。随着SAR技术的不断发展，SAR图像的变化检测在资源和环境监测、军事目标探测、农业作物监测、以及自然灾情监测与评估等领域的应用越来越广泛。但是另一方面，单极化SAR成像系统基本分辨单元内，地物的随机后向散射导致相干斑噪声的产生，相干斑噪声会对图像变化检测结果产生干扰错误，这成为SAR图像变化检测最为突出的困难。

针对变化检测的难点，学者们展开了大量研究。根据是否需要标记样本，图像变化检测方法可以分为有监督、半监督和无监督方法。有监督方法和半监督方法分类准确性高、在不同的条件下可以获得较权威的图像，但是它依赖于昂贵的标记样本，并且获取可用SAR图像十分困难。因此，无监督方法因其独立于标记样本和不需要人工干预，在SAR图像变化检测中更常用。近期提出了一系列SAR图像变化检测方法。研究比较多的有基于统计模型的变化检测算法，如Lietal提出了基于判别随机场的SAR图像变换检测方法，该方法采用贝叶斯融合的方法将SAR图像数据的统计分布特性融入DRF模型中，最后通过条件迭代模型(Iterative Conditional Model,ICM)算法得到最后的分类检测结果。DRF模型充分利用了观测数据的统计相关特征，有效提高了模型精度。深度学习方法可以获得高维非线性特征，比传统的词袋方法更有效，成为目前的研究热点。最近，Chanetal提出的PCANet是一种简单的深度学习网络，它利用PCA构造卷积滤波器的参数，最终可以得到一个更具竞争性的深层网络。Feng Gao提出一种将PCANet应用于变化检测的Automatic PCANet方法，该方法首先对两时相SAR图像求的差异图，然后对差异图用Gabor小波和模糊C均值进行预分类，将像素分为变化、不变和不确定类，用变化类和不变类训练网络，之后对不确定类的像素进行分类。但是很多SAR变化检测图像中，不变的像素占图像的大部分，不变的像素中包含大量的相干斑噪声，上述方法在所有像素中选取训练样本，处理时间过长，并且SAR图像的散射噪声可能会对分类结果产生影响，进而影响样本选取，最终导致错误的分类。

现有的基于判别随机场的SAR图像变换检测方法也包括基于PCANet的深度学习网络，但上述变化检测方法对SAR图像变化检测的结果无论是总体精度还是执行效率效果都还不佳并且分类结果受散射噪声影响较严重。

发明内容

本发明的目的在于克服上述已有问题的缺点，提出一种有效降低运算时间并且减少散射噪声影响的基于显著性分析的PCANet图像变化检测方法。

本发明是一种基于显著性分析的PCANet图像变化检测方法，用于SAR图像变化检测，其特征在于，包括有以下步骤：