[发明专利]一种基于Siamese网络结构的遥感图像无监督变化检测方法

说明书

本发明公开一种基于Siamese网络结构的遥感图像无监督变化检测方法，包括以下步骤：(1)初始化参数；(2)获取差异图像；(3)利用自适应局部能量加权算法对步骤(2)的两幅信息互补的差异图像进行像素级融合得到新的差异图像；(4)采用聚类算法实现预分类；(5)以预分类结果为标签，利用DFF‑Siamese网络实现SAR图像变化区域的精准检测；本发明实现了SAR图像的无监督变化检测，将先验知识引入到深度卷积神经网络中，在Siamese网络中通过增加逐层差异性度量模块使特征挖掘更深入，有效提升了网络的学习能力，能够获得更为理想的变化检测结果。

技术领域

本发明属于图像处理及模式识别领域，涉及遥感图像变化检测方法，具体涉及一种基于Siamese网络结构的遥感图像无监督变化检测方法。

背景技术

遥感影像变化检测是通过在不同时间同一场景拍摄到的两幅或多幅影像分析地表差异的一项技术。随着遥感技术的迅速发展，基于遥感影像的变化检测已成为地理大数据更新的关键技术。其中合成孔径雷达遥感影像因为不易受光照和大气的影响，具有全天候、全天时、多极化、多波段等特点而被广泛应用于环境监测、城市研究、灾害评估、森林资源监测等多个领域。由于受波的干涉现象影响，雷达传感器的成像设备接收到的总回波会存在误差，导致真实的SAR影像中存在大量噪声，图像分辨率较低，地表的原有信息和特征易丢失。因此如何有效抑制噪声的同时获得较高精度的检测结果仍然是一个具有挑战性的课题。

变化检测方法从实现方式的角度可分为有监督和无监督两种。有监督变化检测不仅依赖于双时相遥感图像，而且需要大量的人工标注结果，而无监督变化检测仅依赖于原始双时相遥感图像。由于人工标注工作效率低下，难以满足目前的应用需求，因此无监督变化检测方法的应用前景更为广阔。基于传统算法的无监督变化检测算法主要有以下三个步骤：图像预处理、生成差异图像、对差异图像进行变化和未变化区域分类。预处理是后续步骤的基础，主要包含辐射校正、几何校正、图像几何配准、降噪等操作。具有代表性的差异特征信息有助于获得高精度的变化检测结果，是变化检测的核心步骤。研究初期，学者们提出了差值法、对数比值法(log-ratio)、均值比值法(mean-ratio)等差异图构造算法，这些算法均采用了像素点无差别的计算方式。由于SAR图像中固有噪声具有乘法性，因此比值运算相比于差异运算在消除辐射测量所带来的噪声时更具优势，鲁棒性更强。

然而，上述三种差异图的构造算法过于单一，对变化区域的计算方式忽略了图像的局部特征差异，导致后续步骤的漏检率、错检率较高。为了更好的突出变化区域并抑制背景区域，Gong等人利用小波变换融合对数比值和均值比值生成差异图，进而实现变化检测。其主要方法是通过小波变换将图像在方向(水平、垂直、对角)上进行转换以得到不同尺度的特征信息，在特征域内进行融合，然而小波变换仅能反映“点”的奇异性，难以反映“线”或“面”的奇异性，且计算复杂度较高。为了实现简单快速的差异图融合，Zheng等人提出基于差值和对数差值的加权平均融合算法，该算法在实现差异图融合的同时能有效抑制斑点噪声的影响，然而该算法受限于差异算子的构造且容易引起融合结果的空间扭曲。对此，邵攀等人以模糊积分为基础，提出一种顾及冲突分析的图像融合算法，可实现四种差异图的决策级融合。