[发明专利]基于显著性和深度卷积网络的SAR图像变化检测方法

说明书

本发明公开了一种基于显著性和深度卷积网络的SAR图像变化检测方法，主要解决现有技术检测精度低及抗干扰能力弱的问题。其实现方案为：对同一区域不同时刻的两幅SAR图像预处理后，进行对数比值操作并归一化，得到归一化的对数比值差异图；对该差异图进行显著性特征提取，得到显著图；对显著图进行阈值化，并将差异图与阈值化的结果进行点乘，得到显著特征图；对差异图聚类得到预分类结果；从预分类结果中挑选出训练样例；构造深度卷积网络，用训练样例对网络进行训练；用训练好的网络对SAR图像做变化检测。本发明能有效地抑制背景区域信息的干扰，提高了变化检测的精确度，可用于自然灾害评估、环境资源检测和城市建模规划。

技术领域

本发明属于图像处理技术领域，具体是涉及一种SAR图像变化检测方法，可用于自然灾害评估、环境资源检测和城市建设规划。

背景技术

合成孔径雷达SAR与可见光和红外遥感相比，具有全天时、全天候、穿透能力强的特性，因此无论在军事领域还是民用领域都得到了广泛的应用。随着SAR技术的快速发展，SAR图像变化检测技术变得日益重要。SAR图像变化检测是指通过比较和分析在同一区域所获得的不同时刻的两幅或多幅SAR图像，根据这些SAR图像之间的变化差异来获取所研究区域随时间而发生的变化信息。SAR图像变化检测的关键步骤在于生成相应的差异图像和对差异图像进一步的分析并提取变化信息。

M Gong等人在其发表的论文“Change Detection in Synthetic Aperture RadarImages Based on Deep Neural Networks(IEEE Transactions on Neural NetworksLearning Systems,2017,27(1):125-138.)”中采用了一种基于深度信念网络DBN的多时相SAR图像变化检测的方法，该方法从两时相的SAR图像中提取出图像块，并分别拉成向量，再将向量组合成输入特征，输入DBN中进行训练，并预测出最终的变化检测结果。该方法虽然在一定程度上提高了多时相SAR图像变化检测的精度，但是存在的不足之处是，没有很好地利用到图像邻域间的空间信息，而是直接将图像块拉成向量，限制了SAR图像变化检测精度的提高。

西北工业大学在申请的专利“基于双通道卷积神经网络的多时相SAR图像变化检测方法”(专利申请号：CN201610301686.7，公开号：CN106023154A)中公开了一种基于卷积神经网络的多时相SAR图像变化检测方法，该方法先构造两个结构相同的卷积网络CNN模型，随机挑选部分样本点，并人为标定这些样本点的变化检测结果，然后将这些样本点和标定检测结果作为训练CNN的训练数据，再使用训练好的CNN对未分类样本进行变化检测获得最终的变化检测结果。该方法存在的不足之处是，训练网络的训练样例是通过人为标定的，这对于高分辨率的SAR图像变化检测将是一种巨大的负担，同时人为标定的训练样例存在着一定的人工误差，影响了SAR图像变化检测的精度。

发明内容

本发明的目的在于针对上述现有SAR图像变化检测技术的不足，提出一种基于显著性和深度卷积网络的SAR图像变化检测方法，以有效地抑制差异图像中的干扰信息，增强图像的变化信息，利用深度卷积网络的特征提取能力，提高SAR图像变化信息结果提取的精确度。

本发明的技术方案是：先通过将显著性机制应用到差异图上，进一步区分差异图上的变化信息和不变化信息，然后利用深度卷积网络来对处理后的差异图进行分类，得到变化检测的结果。其实现步骤包括如下：

(1)输入同一区域t₁时刻的SAR图像X₁和t₂时刻的SAR图像X₂，并依次进行图像配准、几何校正，获得预处理后的两幅不同时刻的SAR图像I₁和I₂；

(2)对预处理后的两幅SAR图像I₁和I₂，通过对数比值法得到对数比值差异图，并对其进行归一化，得到归一化后的对数比值差异图I_L；