[發(fā)明專(zhuān)利]一種基于堆棧半監(jiān)督自適應(yīng)去噪自編碼器的SAR圖像變化檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710437638.5
• 申請(qǐng)日: 2017-06-12
• 公開(kāi)（公告）號(hào): CN107392940B
• 公開(kāi)（公告）日: 2020-10-30
• 發(fā)明（設(shè)計(jì)）人: 王桂婷;尉樺;劉辰;鐘樺;鄧成;李隱峰;于昕;伍振軍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安電子科技大學(xué)
• 主分類(lèi)號(hào): G06T7/254
• 分類(lèi)號(hào): G06T7/254;G06K9/62
• 代理公司: 西安吉盛專(zhuān)利代理有限責(zé)任公司 61108
• 代理人: 張恒陽(yáng)

本發(fā)明公開(kāi)了一種基于堆棧半監(jiān)督自適應(yīng)去噪自編碼器的SAR圖像變化檢測(cè)方法，解決了現(xiàn)有方法對(duì)相干斑噪聲點(diǎn)和較多邊緣的變化區(qū)域檢測(cè)精度不高的問(wèn)題。其實(shí)現(xiàn)步驟為：首先生成多尺度差異指導(dǎo)圖；將時(shí)相1圖像作為輸入來(lái)訓(xùn)練SDAE；將多尺度差異指導(dǎo)圖、時(shí)相1和時(shí)相2圖像作為輸入來(lái)訓(xùn)練SSADAE，SSADAE自適應(yīng)誤差函數(shù)中使用了SDAE訓(xùn)練得到的權(quán)重；然后用SSADAE計(jì)算時(shí)相1和時(shí)相2圖像的特征向量；將兩者相減得到差異向量，再對(duì)其進(jìn)行FCM分類(lèi)，得到變化檢測(cè)結(jié)果圖。本發(fā)明首先提出了多尺度差異指導(dǎo)圖，能夠突出差異圖中的變化區(qū)域；之后提出的SSADAE能夠利用圖像中少量的標(biāo)記樣本，進(jìn)一步提高變化檢測(cè)準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及SAR圖像的變化檢測(cè)，具體是一種基于堆棧半監(jiān)督自適應(yīng)去噪自編碼器的SAR圖像變化檢測(cè)方法。該方法可用在SAR圖像的變化檢測(cè)中。

背景技術(shù)

變化檢測(cè)是遙感領(lǐng)域的關(guān)鍵技術(shù)之一，它通過(guò)檢測(cè)同一成像場(chǎng)景中不同時(shí)期圖像灰度值或局部紋理之間的變化，獲取感興趣的地表或地物在形狀、位置、數(shù)量及其它屬性的變化信息。在社會(huì)、環(huán)境及軍事等領(lǐng)域有廣泛的應(yīng)用。

在多時(shí)相SAR圖像變化檢測(cè)方法中，主要的路線有兩種，一種是分類(lèi)后比較(PostClassification Comparison,PCC)，另一種是比較后分類(lèi)。前一種方法直接對(duì)每個(gè)時(shí)相的SAR圖像進(jìn)行分類(lèi)，然后對(duì)分類(lèi)的結(jié)果進(jìn)行比較。該方法可以不需要對(duì)不同傳感器和不同天氣條件下拍攝的兩幅圖像進(jìn)行輻射校正，但是對(duì)不同時(shí)相圖像像素的分類(lèi)差異會(huì)造成比較結(jié)果的巨大差異，且分類(lèi)方法對(duì)變化檢測(cè)結(jié)果影響較大。目前絕大多數(shù)的方法都采用先比較后分類(lèi)的策略。

先比較后分類(lèi)就是先生成差異圖，然后對(duì)差異圖進(jìn)行分析。目前差異圖生成方法有：

2012年Maoguo Gong和Yu Cao等在IEEE Geoscience and Remote SensingLetters,9卷第2期307-311頁(yè)發(fā)表的文章A Neighborhood-Based Ratio Approach forChange Detection in SAR Images提出了基于鄰域的比值算子(NR)，NR算子加入了圖像的異質(zhì)性/同質(zhì)性算子，但是當(dāng)變化前后的兩幅SAR圖像噪聲分布不一致時(shí)，該方法檢測(cè)效果不夠準(zhǔn)確。Jordi Inglada和Grégoire Mercier在IEEE Transactions on Geoscience andRemote Sensing,45卷第5期1432-1445頁(yè)發(fā)表的文章A New Statistical SimilarityMeasure for Change Detection in Multitemporal SAR Images and Its Extension toMultiscale Change Analysis使用KL散度來(lái)度量變化前后兩幅圖像的相似性，具體做法是使用KL散度度量?jī)蓚€(gè)獨(dú)立隨機(jī)變量間的概率密度函數(shù)之間的距離，如果兩個(gè)變量概率密度值接近KL散度值較小，相反KL散度值會(huì)更大。由于這種方法需要顧及變化前后兩幅圖像的概率密度函數(shù)，所以需要較大的計(jì)算量來(lái)估計(jì)概率密度函數(shù)的參數(shù)，并且需要對(duì)圖像的分布進(jìn)行合理的假設(shè)。

近年來(lái)，深度學(xué)習(xí)由于能夠提取出更加抽象的特征，因此它作為一種新的機(jī)器學(xué)習(xí)方法在語(yǔ)音識(shí)別，目標(biāo)識(shí)別,目標(biāo)檢測(cè)等應(yīng)用上都顯著的提高了檢測(cè)結(jié)果。而SAR圖像由于其乘性噪聲的復(fù)雜性，基于深度學(xué)習(xí)的方法能夠提取抽象特征的優(yōu)勢(shì)給SAR圖像變化檢測(cè)提供了新的思路。目前基于深度學(xué)習(xí)的變化檢測(cè)方法有：