[发明专利]基于深度森林的SAR图像变化检测方法

说明书

本发明提出了一种基于深度森林的SAR图像变化检测方法，主要解决现有技术无法充分地从局部的图像块中得到有用信息，同时图像边缘部分信息缺失，导致检测精度差的问题。实现步骤包括：获取初始SAR图像变化检测图；对深度森林模型进行优化；获取训练样本数据集；获取初始类别概率图P；计算差异图D的梯度幅值图G和梯度方向图M；获取最终类别概率图P2；获取最终SAR图像变化检测图。使用了优化的深度森林模型，模型的输入为多尺度图像输入，同时计算了差异图的梯度幅值图和梯度方向图后获得最终类别概率图，提高了SAR图像变化检测的精度，可用于环境监测、农业调查、救灾工作等SAR图像变化检测相关领域中。

技术领域

本发明属于图像处理技术领域，涉及一种SAR图像变化检测方法，具体涉及了一种基于深度森林的SAR图像变化检测方法，通过深度森林对不同大小图像进行融合，实现对SAR图像变化的检测，可用于环境监测、农业调查、救灾工作等SAR图像变化检测相关领域中。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候、分辨率高等特点，相对于可见光、红外传感器等具有得天独厚的优势。变化检测是在遥感领域中最重要的应用，它通过分析同一地区在不同时刻的两幅图像，根据图像之间的差异来获得所需要的地物变化信息。随着遥感技术的不断发展，变化检测技术也得到了迅猛发展，被广泛应用于农业生产和科研等领域。

SAR图像变化检测的过程可以被分为图像预处理过程和图像分析过程。图像的预处理过程包括图像配准、几何校正、图像增强等；图像的分析过程大体有两种类型的方法：(1)有监督的SAR图像变化检测技术；(2)无监督的SAR图像变化检测技术。

虽然有监督的SAR图像变化检测技术有时可以获得比较理想的检测结果，但是要求知道真实变化信息，或者需要大量的有标记训练样本，而这些在实际应用中往往是很难做到的。所以无监督的SAR图像变化检测能更好的迎合实际工作的需要，具有重要意义。传统的无监督的SAR图像变化检测方法例如图像差值法，图像比值法，后分类比较法，图像回归法，植被索引法等。这些变化检测方法实现简单，但通常对噪声非常敏感，导致误检或漏检的现象比较严重，近年来又有学者提出了基于深度学习的SAR图像变化检测算法。

基于深度学习的SAR图像变化检测技术是基于图像的光谱特性、形状、纹理、大小和其他拓扑特征将图像预分类数据输入到网络模型中，然后通过网络模型进行训练，根据训练好的网络模型来学习图像特征信息，通过分类器对图像特征信息进行分类得到最终变化的结果，基于深度学习的变化检测方法已经成功的应用于土地利用和土地覆盖的分类等领域中。由于基于深度学习的变化检测融入了很多周围像素点的特征，因此它对于处理分辨率特别大的SAR图像在分类效果上具有明显的优势。SAR图像变化检测的难点在于图像中存在大量的相干斑噪声，这些噪声难于处理，容易对结果产生很大的影响。国内外的学者在变化检测领域中做了大量的研究，例如授权公告号为CN 103810699B，名称为“基于无监督神经网络的SAR图像变化检测方法”的中国专利，公开了一种基于深度神经网络的变化检测方法，该方法基于对两幅配准后的同一地区不同时相的SAR图像进行模糊C均值联合分类获得粗糙的变化检测结果，根据初始的变化检测结果选择可能性大的非噪声点作为训练样本，将训练样本输入到神经网络中训练，将待检测图片输入到训练好的模型中得到最后的变化检测结果图。但这种方法存在的不足在于，无法充分地从局部的图像块中得到有用的信息，从而降低检测的精度，同时图像边缘部分信息缺失，进一步影响到SAR图像变化检测的精度。

深度森林是基于树的集成方法，通过对树组成的森林来集成并前后串联起来达到表征学习的效果。它的表征学习能力可以通过对高维输入数据的多粒度扫描而进行加强。深度森林这种具有较强分类能力的模型可能适用于SAR图像变化检测。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种基于深度森林的SAR图像变化检测方法，旨在提高SAR图像变化检测的精度。

为实现上述目的，本发明采取的技术方案包括如下步骤：