[发明专利]基于金字塔池化孪生网络的SAR图像变化检测方法

说明书

本发明提供了一种基于金字塔池化孪生网络的SAR图像变化检测方法，主要解决传统方法中变化检测精度依赖于差异图而导致结果不准确的问题。其实现步骤是：1)生成训练样本、测试样本和样本标签；2)构建深度金字塔池化孪生网络；3)构建分类网络；4)使用训练样本和样本标签对深度金字塔池化孪生网络和分类网络进行训练，得到训练好的模型；5)用训练好的模型对测试样本进行测试，得到变化检测结果。本发明能避免使用差异图，有效解决了差异图对变化检测结果的影响，提高了变化检测的准确率，可用于环境检测和灾害检测。

技术领域

本发明属于图像处理领域，更进一步涉及一种合成孔径雷达SAR图像变化检测方法，可用于农业调查、自然灾害检测、森林资源监测中检测两幅不同时相的SAR图像变化区域。

背景技术

变化检测是指通过观测某一物体或现象在不同时间的状态得出其变化信息的技术。SAR图像变化检测是分析同一地区不同时段的SAR图像，检测出该地区的变化信息。作为对地观测卫星的关键技术，合成孔径雷达SAR图像变化检测已经被运用在包括农业调查、自然灾害检测、森林资源监测等诸多领域。

传统变化检测方法由以下经典三步流程范式：1)输入两张经过预处理后的合成孔径雷达SAR图像；2)使用差异算子或其他方法获得差异图；3)分析差异图。早期人们使用差值算子求取差异图，对于传统的变化检测方法，性能好坏依赖于差异图的形成，而差异图的形成又有噪声的干扰，所以得不到很高的精度。由于采集图像有各种各样的噪声，后来人们相继提出对数比算子、均值比算子等。由于SAR图像深受相干斑的影响，这种传统方法的检测结果很大程度上依赖于差异图的性能，往往当差异图的性能不好时，产生的精度会很低。

为了克服上述缺点，可利用具有强大的抽象表达能力的深度学习来进行变化检测。Gong(Maoguo Gong，Feng Chen，Differencing Neural Network for ChangeDetection in Syntheic Aperture Radar Images，from SpringLink)等人提出基于深度神经网络的SAR图像变化检测方法，该方法是利用堆叠的限制性波尔兹曼机，通过逐层的预训练及对整个网络的精调，取得了较高的精度。但由于将差异图作为训练数据，导致变化检测结果中仍存在少许噪声，影响了变化检测结果。

Yang Zhan(Yang Zhan，Kun Fu，Change Detection Based on Deep SiameseConvolutional Networks for Optical Aerial Images，from IGARSS 2017)等人提出的基于卷积孪生网络的光学图像变化检测方法，该方法对一对卷积孪生网络进行端对端训练，也实现了较高的精度。但由于其网络结构比较简单，网络学习到的图像特征种类较为单一，所以变化检测结果仍有待提高。

发明内容

本发明的目的在于提出一种基于金字塔池化孪生网络的SAR图像变化检测方法，以解决上述现有方法对差异图的依赖及图像特征丰富性不足的问题，提高变化检测的精度。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)输入同一地区不同时相的两幅SAR图像，生成训练样本、测试样本和样本标签；

(2)构建由两个结构、参数完全相同的金字塔池化网络组成的深度金字塔池化孪生网络，每一个金字塔池化网络包括如下三部分：

第一部分是卷积神经网络，其结构依次为，输入层→第一层卷积层→第一层批量归一化层→第二层卷积层→第二层批量归一化层→第三层卷积层→第三层批量归一化层→最大池化层→dropout层；

第二部分是金字塔池化模块，其包括四个结构相同的卷积神经网络，每个卷积神经网络表示一个级别，共有4个不同尺度级别；每个卷积神经网络结构依次为，平均二维池化层→卷积层→批量归一化层，四个网络的输出融合为金字塔池化模块的输出；