[發明專利]基于顯著性分析的PCANet圖像變化檢測方法

有效

• 申請號: 201711403396.4
• 申請日: 2017-12-22
• 公開（公告）號: CN108257151B
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 李明;劉慧敏;張鵬;李夢柯;吳艷;吳嬌嬌
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06K9/62;G06K9/46
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 程曉霞;王品華

本發明公開了一種基于顯著性分析的PCANet圖像變化檢測方法。主要解決現有Automatic PCANet方法導致的訓練樣本過多，處理時間過長以及SAR圖像的散射噪聲對分類結果產生影響的問題。其實現步驟是：對兩時相SAR圖像獲取差異圖；對差異圖進行顯著性分析；利用門限方法提取顯著區域，再次使用門限方法分類得到正樣本、負樣本以及不確定像素；利用PCANet提取正、負樣本以及不確定像素對應的特征，用正、負樣本對應特征訓練支持向量機SVM模塊，再將不確定像素的特征輸入SVM進行最終分類。本發明與現有Automatic PCANet方法相比，檢測精度及運算效率高，抗噪性能好，可用于SAR圖像變化檢測。

技術領域

本發明屬于圖像處理技術領域，涉及圖像變化檢測，具體是一種基于顯著性分析的PCANet圖像變化檢測方法，可用于資源和環境監測、軍事目標探測、以及自然災情的監測與評估。

背景技術

SAR圖像的變化檢測是指利用不同時期的SAR圖像獲取地物變化信息的過程，是一種針對SAR圖像的特點而建立的數據分析方法，用于識別地表狀態的變化。以合成孔徑雷達(SAR)為代表的微波遙感是主動式微波成像傳感器，可以獲得大面積高分辨率的遙感影像，并且天時全天候拍攝，對地表穿透能量強，對地紋理特征及金屬目標探測能力強，同時具有多波段多極化的散射特征。所以SAR成像技術對于光學遙感和其他微波遙感，不僅具有可變側視角，還可以準確詳細地獲取地理信息，并且不受天氣影響，因此在變化檢測技術上有著廣泛的應用。隨著SAR技術的不斷發展，SAR圖像的變化檢測在資源和環境監測、軍事目標探測、農業作物監測、以及自然災情監測與評估等領域的應用越來越廣泛。但是另一方面，單極化SAR成像系統基本分辨單元內，地物的隨機后向散射導致相干斑噪聲的產生，相干斑噪聲會對圖像變化檢測結果產生干擾錯誤，這成為SAR圖像變化檢測最為突出的困難。

針對變化檢測的難點，學者們展開了大量研究。根據是否需要標記樣本，圖像變化檢測方法可以分為有監督、半監督和無監督方法。有監督方法和半監督方法分類準確性高、在不同的條件下可以獲得較權威的圖像，但是它依賴于昂貴的標記樣本，并且獲取可用SAR圖像十分困難。因此，無監督方法因其獨立于標記樣本和不需要人工干預，在SAR圖像變化檢測中更常用。近期提出了一系列SAR圖像變化檢測方法。研究比較多的有基于統計模型的變化檢測算法，如Lietal提出了基于判別隨機場的SAR圖像變換檢測方法，該方法采用貝葉斯融合的方法將SAR圖像數據的統計分布特性融入DRF模型中，最后通過條件迭代模型(Iterative Conditional Model,ICM)算法得到最后的分類檢測結果。DRF模型充分利用了觀測數據的統計相關特征，有效提高了模型精度。深度學習方法可以獲得高維非線性特征，比傳統的詞袋方法更有效，成為目前的研究熱點。最近，Chanetal提出的PCANet是一種簡單的深度學習網絡，它利用PCA構造卷積濾波器的參數，最終可以得到一個更具競爭性的深層網絡。Feng Gao提出一種將PCANet應用于變化檢測的Automatic PCANet方法，該方法首先對兩時相SAR圖像求的差異圖，然后對差異圖用Gabor小波和模糊C均值進行預分類，將像素分為變化、不變和不確定類，用變化類和不變類訓練網絡，之后對不確定類的像素進行分類。但是很多SAR變化檢測圖像中，不變的像素占圖像的大部分，不變的像素中包含大量的相干斑噪聲，上述方法在所有像素中選取訓練樣本，處理時間過長，并且SAR圖像的散射噪聲可能會對分類結果產生影響，進而影響樣本選取，最終導致錯誤的分類。

現有的基于判別隨機場的SAR圖像變換檢測方法也包括基于PCANet的深度學習網絡，但上述變化檢測方法對SAR圖像變化檢測的結果無論是總體精度還是執行效率效果都還不佳并且分類結果受散射噪聲影響較嚴重。

發明內容

本發明的目的在于克服上述已有問題的缺點，提出一種有效降低運算時間并且減少散射噪聲影響的基于顯著性分析的PCANet圖像變化檢測方法。

本發明是一種基于顯著性分析的PCANet圖像變化檢測方法，用于SAR圖像變化檢測，其特征在于，包括有以下步驟：