[发明专利]一种基于稀疏表示和胶囊网络的SAR图像变化检测方法

说明书

本发明提供一种基于稀疏表示和胶囊网络的SAR图像变化检测方法，实现步骤包括：(1)选取两幅多时相SAR图像X₁和X₂，利用邻域对数比算子获取差分图像；(2)通过稀疏表示的方法提取差分图上的稀疏特征,生成特征图；(3)通过模糊聚类的方法FCM获得初始分类的伪标签,采取高置信度样本的挑选原则,从所述特征图上挑选合适样本制作样本集；(4)构造改进的胶囊网络，输入通过稀疏表示提取的特征图，训练优化网络；(5)测试网络，生成变化检测图。本发明充分考虑了SAR图像的空间邻域信息，利用稀疏表示和胶囊网络相结合，不仅减少了散斑噪声的影响，而且提取到了图像的深层次特征，提高了SAR图像变化检测的精度和速度。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于稀疏表示和胶囊网络的SAR图像变化检测方法，在农业调查、森林监测、自然灾害预警等领域具有重要的研究价值。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波传感器，其成像技术是利用综合孔径的原理提高方位分辨率，进而捕获到大面积高分辨率的SAR图像。遥感中的变化检测是对同一地理区域内不同时间获取的两幅SAR图像进行分析，识别出其中的变化区域。SAR成像由于不受光照、天气等外在条件的影响，能够对地目标进行全天候、大面积的探测，使得SAR图像的变化检测在农业调查、森林监测、自然灾害预警等方面具有重要的研究意义。

传统的变化检测过程通常分为三个步骤：图像预处理；生成差异图；对差异图进行分析和处理。传统方法在抑制噪声和保留图像的细节信息上效果不佳，容易丢失图像边缘信息，忽略邻域信息，导致变化检测的精度不高。近几年随着人工智能和深度学习的不断发展和普及，许多学者利用深度学习中神经网络的知识，提出了新的变化检测方法，在很大程度上提高了变化检测的准确度。比如应用广泛的卷积神经网络、深度置信网络以及生成对抗网络等通过训练分类器提取样本中的特征及空间关系，学习不同类别的特征，进而区分开变化区域和未变化区域。虽然卷积神经网络在SAR图像变化检测任务中已经达到了较好的检测效果，但是对一些倾斜、旋转物体，CNN表现出来的效果都不是很令人满意。另外，卷积网络需要大量的数据来泛化，用于网络的学习，这对于SAR图像的变化检测任务是一大难点。

因此如何提供一种新的方法能够在保留SAR图像关键位置信息的基础上减少神经网络对数据集数量的要求，提高SAR图像变化检测的检测精度和速度是亟待解决的技术问题。

发明内容

为了克服现有技术的不足，本发明提供一种基于稀疏表示和胶囊网络的SAR图像变化检测方法，更加适用于小数据集上的变化检测任务，能够提高检测的精度和速度。

为实现上述目的，本发明提供了如下方案，包括以下步骤：

S1、选取同一地理区域在不同时刻t₁和t₂的两幅SAR图像，其中t₁时刻的SAR图像表示为X₁＝{X₁(i，j)，1≤i≤I，1≤j≤J}，t₂时刻的SAR图像表示为X₂＝{X₂(i，j)，1≤i≤I，1≤j≤J}，通过邻域对数比算子生成图像X₁和图像X₂的差分图像；

S2、通过KSVD方法从所述差分图像上学习字典，通过字典更新和稀疏编码获得所述差分图像上每个像素的稀疏特征，生成特征图；

S3、通过FCM方法从所述差分图像上获得初始分类结果，作为样本集的伪标签，稀疏表示之后的特征图作为样本，并采取一种高置信度样本的挑选原则，选择合适的样本作为训练集；

S4、构建一种改进的胶囊网络模型，输入所述训练集，来训练胶囊网络学习图像的深层特征；

S5、测试胶囊网络，输出预测标签结果，生成变化检测图。