[发明专利]基于网络结构优化的SAR图像变化区域检测方法

说明书

本发明公开了一种基于网络结构优化的合成孔径雷达SAR图像变化区域检测方法，主要解决现有技术无法提取合成孔径雷达SAR图像的局部特征，需要人工输入学习误差值进行测试的问题。本发明的具体步骤如下：(1)读入合成孔径雷达SAR图像；(2)归一化处理；(3)构建变化检测矩阵；(4)更新变化检测矩阵；(5)选择训练样本集；(6)搭建堆栈自动编码器网络；(7)训练堆栈自动编码器网络；(8)优化堆栈自动编码器网络；(9)构建概率矩阵；(10)更新概率矩阵；(11)获得变化检测图像。本发明提取了合成孔径雷达SAR图像的局部特征，提高了变化检测的精度。

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网络结构优化的合成孔径雷达SAR(Synthetic Aperture Radar,SAR)图像变化区域检测方法。本发明可用于提取同一地区不同时段的两幅合成孔径雷达SAR图像的邻域像素信息，并用堆栈自动编码器网络对提取的像素信息进行学习，得到最终的变化检测图。

背景技术

目前合成孔径雷达SAR图像变化区域检测的分析步骤大致分为两步：(1)生成差异图。此步骤是初步区分2幅合成孔径雷达SAR图像中的未变化类和变化类，并为差异图分析提供基础。其典型方法包括：差值法、均值比值法和对数比值法。这些方法存在的缺点是对相干斑噪声敏感，检测变化精度不高；(2)分析差异图。该步骤是对步骤(1)获得的差异图进行分析，提取变化信息，最终得到两幅图像的变化区域和非变化区域。其典型方法包括阈值法、聚类法。这些方法存在的缺点是不能有效地提取图像的局部特征。

西安电子科技大学在其拥有的专利技术“基于稀疏表示的合成孔径雷达SAR图像相干斑抑制方法”(专利申请号：201110346349.7，授权公告号：CN102346908B)中提出了一种基于稀疏表示的合成孔径雷达SAR图像变化区域检测方法。该方法的步骤是，首先对原始合成孔径雷达SAR图像进行对数变换。然后将对数变换后的图像分割为的重叠分块，将图像块的自身信息作为控制因子对其进行稀疏表示。然后应用近似KSVD(K-Singular ValueDecomposition,KSVD)算法进行字典学习，需要人工输入学习误差值进行测试，得到自适应字典和更新后的稀疏表示系数。再利用自适应字典和更新后的稀疏表示系数得到图像W，对W进行指数变换得到图像R。最终对由原始合成孔径雷达SAR图像Y和指数变换后的图像R得到的差值图像V进行非线性各向异性扩散，得到最终变化检测图像。该方法存在的不足之处是，需要人工输入学习误差值进行测试，易造成图像的部分纹理信息丢失，增加后期变化检测的误检率。

Zheng等人在其发表的论文“Using combined difference image and k-meansclustering for合成孔径雷达SAR image change detection”(IEEE Geoscience andRemote Sensing Letters,2014,11(3)：691-695)中提出了一种简单实用的基于差异图融合的合成孔径雷达SAR图像变化区域检测方法。该方法的步骤是，首先用差值算子和对数比值算子分别处理合成孔径雷达SAR图像单个像素的值，图像的所有像素处理完毕后，得到合成孔径雷达SAR图像的差值差异图和对数比值差异图。然后对上述差异图进行均值滤波和中值滤波，初步去除噪声干扰和野点，获得融合差异图。最终使用K-means算法分析融合差异图。该方法存在的不足之处是，只考虑合成孔径雷达SAR图像的单个像素点信息，无法提取合成孔径雷达SAR图像的局部特征，降低后期变化检测的准确度。

发明内容

本发明的目的在于针对上述已有技术的缺点，提出了一种基于网络结构优化的合成孔径雷达SAR图像变化区域检测方法，以实现对合成孔径雷达SAR图像变化区域的准确检测。该方法从变化检测矩阵中随机选择不同的训练样本，用选择的训练样本逐层训练堆栈自动编码器网络，使用粒子群算法逐层优化堆栈自动编码器网络，提升了堆栈自动编码器网络的自学习能力，提高了变化检测矩阵中每一个元素被划分为变化类的概率的准确度。该方法思路简单明确，通过有效提取合成孔径雷达SAR图像的局部特征提高了变化检测的精度。