[发明专利]基于SPL和CCN的SAR图像变化检测方法

说明书

本发明公开了一种基于自步学习SPL和卷积耦合神经网络CCN的合成孔径雷达SAR图像变化检测方法，解决了现有技术的受噪声影响大和检测精度不高的问题。本发明的步骤是：(1)读取并处理数据；(2)随机选择训练样本；(3)构建卷积耦合神经网络；(4)训练卷积耦合神经网络；(5)用自步学习方法重新训练卷积耦合神经网络；(6)得到特征映射；(7)用对数比值法得到差异图；(8)用阈值法得到变化检测结果图。本发明与现有技术相比，过滤了部分损失值较大的训练样本，抑制了噪声对变化检测结果的影响，减少了错误分类点的产生，提高了分类的准确率。

技术领域

本发明属于图像处理技术领域，更进一步涉及雷达图像处理技术领域中的一种基于自步学习SPL(Self-Paced Learning)和卷积耦合神经网络CCN(ConvolutionalCoupling Network)的合成孔径雷达SAR(Synthetic Aperture Radar)图像变化检测方法。本发明可用于检测来自不同时相的同一区域的两幅或者多幅合成孔径雷达SAR图像中的区域性差异，从而实现对农作物的生长、城市的规划布局、自然灾害等进行监测。

背景技术

合成孔径雷达作为一种主动微波传感器，具有分辨率高、全天候、全天时工作以及穿透能力强的特点，使得合成孔径雷达SAR图像得到了广泛的应用。合成孔径雷达SAR图像的变化检测是从来自不同时间同一地区的两幅或多幅合成孔径雷达SAR图像中，根据两幅图中图像特征的差异，识别出发生变化和没有发生变化的区域。SAR图像变化检测方法已经广泛地应用于如森林资源的动态监测、农业资源调查、城市规划布局、环境监测分析、自然灾害评估、地理数据更新以及军事侦察中战略目标(如道路、桥梁、机场)的动态监视等诸多领域。

Zheng等人在其发表的论文“Using combined difference image and k-meansclustering for SAR image change detection”(IEEE Geoscience and Remote SensingLetters，2014,11(3)：691-695)中提出了一种基于差异图融合的合成孔径雷达SAR图像变化检测方法。该方法的步骤是：首先用差值法和对数比值法分别得到合成孔径雷达SAR图像的差值差异图和对数比值差异图。然后对差异图进行均值滤波和中值滤波，初步去除部分噪声。再人工调整权重，将两幅差异图加权融合得到融合差异图。最后使用K均值聚类算法K-means分析融合差异图得到变化检测结果图。该方法存在的不足之处是，在差异图融合过程中没有考虑邻域信息，受噪声影响大，容易产生错误分类的野点，增加变化检测的误检率。

西安电子科技大学在其申请的专利文献“基于无监督深度神经网络的合成孔径雷达SAR图像变化检测方法”(专利申请号：2013107331941，公开号：CN103810699A)中提出了一种基于无监督深度神经网络的合成孔径雷达SAR图像变化检测方法。该方法首先对两幅合成孔径雷达SAR图像进行联合模糊C均值聚类算法FCM分类获得初始的变化检测结果，然后从变化检测结果中选择有较大可能分类正确的像素点作为深度神经网络的训练样本，再将这些样本输入到深度神经网络中进行训练，最后将两幅待检测的图像输入到训练好的深度神经网络中，得到变化检测结果。该方法存在的不足之处是，在训练深度神经网络没有考虑样本的学习路径，训练容易陷入局部最优，增加错误分类点的产生，降低变化检测的准确率。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于自步学习SPL和卷积耦合神经网络CCN的合成孔径雷达SAR图像变化检测方法，可以有效的避免训练过程陷入局部最优，同时过滤了部分受乘性斑点噪声影响较大的像素点，解决了现有技术中进行合成孔径雷达SAR图像变化检测时受噪声影响大的问题。