[發明專利]基于全局-局部SPP Net的高分辨SAR圖像變化檢測方法

有效

• 申請號: 201710548343.5
• 申請日: 2017-07-06
• 公開（公告）號: CN107341798B
• 公開（公告）日: 2019-12-03
• 發明（設計）人: 焦李成;屈嶸;楊爭艷;馬晶晶;楊淑媛;侯彪;馬文萍;劉芳;尚榮華;張向榮;張丹;唐旭
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/32
• 代理公司: 61200 西安通大專利代理有限責任公司
• 代理人: 徐文權<國際申請>=<國際公布>=<進入

本發明公開了基于全局?局部SPP Net的高分辨SAR圖像變化檢測方法，包括如下步驟：從兩幅配準后的同一地區不同時相的SAR圖像中，選取部分有標簽數據作為訓練樣本；將訓練樣本歸一化到[0，1]之間，記作X1；從X1中選擇m組較大尺度的圖像塊送入局部大尺度SPP Net進行感興趣區域檢測訓練，得到訓練好的感興趣區域檢測模型；從X1中選擇n組較小尺度的圖像塊送入局部小尺度SPP Net進行變化檢測訓練，得到訓練好的變化檢測模型；再從待檢測地區任意選取a×b的大圖，作為測試數據送入局部大尺度SPP Net感興趣區域檢測網絡進行ROI測試，得到最終的ROI測試結果；再將得到的ROI檢測結果送入局部小尺度下的SPP Net變化檢測網絡進行變化檢測測試，得到最終的變化檢測結果圖。

【技術領域】

本發明屬于深度學習與遙感圖像處理領域的結合，具體涉及一種基于全局-局部SPP Net的高分辨SAR圖像變化檢測方法，實現對高分辨SAR圖像的變化檢測。

【背景技術】

近年來，隨著航空和航天遙感技術的飛速發展，變化檢測技術經過幾十年的發展，在各方面都取得了一定進展。從數據源角度看，變化檢測已不再局限于使用單一的遙感影像，而是綜合利用多來源、多平臺、多分辨率的遙感影像、GIS數據及一些輔助數據檢測變化信息；從技術角度看，傳統的變化檢測方法日趨完善，新方法不斷涌現。其中，傳統的SAR圖像變化檢測的方法主要分為兩類，一類是采用非深度學習的變化檢測算法，另一類是結合了深度學習的變化檢測算法。

傳統的單極化SAR非深度學習變化檢測方法的基本流程包括：圖像預處理、生成差異圖和分析差異圖等三個部分。傳統的生成差異圖方法有：圖像差值法、圖像比值法、對數比值法。該方法思路簡單清晰，檢測準確率相對較高。但是，這種方法對差異圖的依賴性較高，只有在獲得較好差異圖的基礎上，才會獲得良好的檢測結果。目前，結合深度學習進行SAR圖像變化檢測的研究不是很多，已實現的檢測方法大多是針對小規模圖像，采用DBN或者AE的方法，這些方法雖然避免了差異圖的產生，但是在處理大規模、高分辨圖像時，準確率相對較低。

【發明內容】

本發明的目的在于針對上述問題，提出一種基于全局-局部SPP Net的高分辨SAR圖像變化檢測方法，本發明利用局部SPP Net中的大尺度檢測網絡進行感興趣區域檢測，再針對檢測到的感興趣區域進行局部SPP Net中的小尺度檢測網絡做變化檢測，從而實現對大規模圖像進行準確的變化檢測。

本發明所采用的技術方案如下：

一種基于全局-局部SPP Net的高分辨SAR圖像變化檢測方法，包括如下步驟：

步驟1，從兩幅配準后的同一地區不同時相的SAR圖像中，選取部分有標簽數據作為訓練樣本；

步驟2，將步驟1選取的訓練樣本歸一化到[0，1]之間，記作X1；

步驟3，從X1中選擇m組較大尺度的圖像塊送入局部大尺度SPP Net進行感興趣區域檢測訓練，得到訓練好的局部大尺度SPP Net，其中m為正整數；

步驟4，從X1中選擇n組較小尺度的圖像塊送入局部小尺度SPP Net進行變化檢測訓練，得到訓練好的局部小尺度SPP Net，其中n為正整數，n>m；

步驟5，從待檢測地區任意選取a×b像素的圖像作為測試數據送入訓練好的局部大尺度SPP Net進行ROI測試，得到最終的ROI測試結果；

步驟6，將步驟5中得到的ROI檢測結果送入訓練好的局部小尺度SPP Net進行變化檢測測試，得到最終的變化檢測結果圖。

所述步驟3包括如下步驟：

步驟3.1，從歸一化后的訓練樣本X1中取m組圖像塊，通過這m組圖像塊構成基于圖像塊的輸入矩陣X11、X12、……X1m，將這m組輸入矩陣作為局部大尺度SPP Net的輸入數據；