[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

摘要

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。

主权项

1.一种基于显著性和深度卷积网络的SAR图像变化检测方法，其特征在于，包括：(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IL；(3)利用显著检测方法，对归一化后的对数比值差异图IL进行显著性检测，得到显著图S；(4)设置阈值T为0.35，将显著图S中的每个像素值与阈值T作比较，当大于阈值T时，则将设置为1.0，否则，设置为0，得到二值化图像S_bi；(5)将对数比值差异图IL与二值化图像Sbi进行点乘，得到显著特征图：Ds＝IL·Sbi；(6)对归一化后的对数比值差异图IL进行K‑means聚类，得到预分类结果Rpre；(7)依据预分类结果挑选训练样例：(7a)设置需要挑选的训练样例占总体样例的比例r为0.12，依据总体样例中变化像素点和不变化像素点所占的比重确定训练样例中变化像素点的个数Nc和不变化像素点的个数Nu：Nu＝N×r‑Nc，其中，N表示总体样例的个数；Mc、Mu分别表示总体样例中变化像素点和不变化像素点的个数；(7b)根据(7a)得到的Nc、Nu和预分类的结果Rpre，挑选训练样例；(8)构建由1个输入层，4个卷积层和1个softmax层的深度卷积网络模型；(9)用挑选好的训练样例对深度卷积网络模型进行训练，即将挑选好的训练样例输入深度卷积网络模型中，并用挑选的样例中对应的预分类的结果作为标签迭代训练30次网络，得到训练好的深度卷积网络；(10)将步骤(5)得到的显著特征图Ds根据窗口大小进行延拓，并对延拓得到后的图像Dms取块，逐个拉成向量，得到向量集合Vms；再将该向量集合Vms输入训练好的深度卷积网络中，预测出对应像素点的标签，将这些标签重新组合成矩阵的形式，即可得到最终的变化检测的结果。