[發(fā)明專利]基于SPL和CCN的SAR圖像變化檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810253064.0
• 申請(qǐng)日: 2018-03-26
• 公開（公告）號(hào): CN108447055A
• 公開（公告）日: 2018-08-24
• 發(fā)明（設(shè)計(jì)）人: 馬文萍;張大臣;武越;焦李成
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06N3/04
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

本發(fā)明公開了一種基于自步學(xué)習(xí)SPL和卷積耦合神經(jīng)網(wǎng)絡(luò)CCN的合成孔徑雷達(dá)SAR圖像變化檢測(cè)方法，解決了現(xiàn)有技術(shù)的受噪聲影響大和檢測(cè)精度不高的問(wèn)題。本發(fā)明的步驟是：(1)讀取并處理數(shù)據(jù)；(2)隨機(jī)選擇訓(xùn)練樣本；(3)構(gòu)建卷積耦合神經(jīng)網(wǎng)絡(luò)；(4)訓(xùn)練卷積耦合神經(jīng)網(wǎng)絡(luò)；(5)用自步學(xué)習(xí)方法重新訓(xùn)練卷積耦合神經(jīng)網(wǎng)絡(luò)；(6)得到特征映射；(7)用對(duì)數(shù)比值法得到差異圖；(8)用閾值法得到變化檢測(cè)結(jié)果圖。本發(fā)明與現(xiàn)有技術(shù)相比，過(guò)濾了部分損失值較大的訓(xùn)練樣本，抑制了噪聲對(duì)變化檢測(cè)結(jié)果的影響，減少了錯(cuò)誤分類點(diǎn)的產(chǎn)生，提高了分類的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及雷達(dá)圖像處理技術(shù)領(lǐng)域中的一種基于自步學(xué)習(xí)SPL(Self-Paced Learning)和卷積耦合神經(jīng)網(wǎng)絡(luò)CCN(ConvolutionalCoupling Network)的合成孔徑雷達(dá)SAR(Synthetic Aperture Radar)圖像變化檢測(cè)方法。本發(fā)明可用于檢測(cè)來(lái)自不同時(shí)相的同一區(qū)域的兩幅或者多幅合成孔徑雷達(dá)SAR圖像中的區(qū)域性差異，從而實(shí)現(xiàn)對(duì)農(nóng)作物的生長(zhǎng)、城市的規(guī)劃布局、自然災(zāi)害等進(jìn)行監(jiān)測(cè)。

背景技術(shù)

合成孔徑雷達(dá)作為一種主動(dòng)微波傳感器，具有分辨率高、全天候、全天時(shí)工作以及穿透能力強(qiáng)的特點(diǎn)，使得合成孔徑雷達(dá)SAR圖像得到了廣泛的應(yīng)用。合成孔徑雷達(dá)SAR圖像的變化檢測(cè)是從來(lái)自不同時(shí)間同一地區(qū)的兩幅或多幅合成孔徑雷達(dá)SAR圖像中，根據(jù)兩幅圖中圖像特征的差異，識(shí)別出發(fā)生變化和沒(méi)有發(fā)生變化的區(qū)域。SAR圖像變化檢測(cè)方法已經(jīng)廣泛地應(yīng)用于如森林資源的動(dòng)態(tài)監(jiān)測(cè)、農(nóng)業(yè)資源調(diào)查、城市規(guī)劃布局、環(huán)境監(jiān)測(cè)分析、自然災(zāi)害評(píng)估、地理數(shù)據(jù)更新以及軍事偵察中戰(zhàn)略目標(biāo)(如道路、橋梁、機(jī)場(chǎng))的動(dòng)態(tài)監(jiān)視等諸多領(lǐng)域。

Zheng等人在其發(fā)表的論文“Using combined difference image and k-meansclustering for SAR image change detection”(IEEE Geoscience and Remote SensingLetters，2014,11(3)：691-695)中提出了一種基于差異圖融合的合成孔徑雷達(dá)SAR圖像變化檢測(cè)方法。該方法的步驟是：首先用差值法和對(duì)數(shù)比值法分別得到合成孔徑雷達(dá)SAR圖像的差值差異圖和對(duì)數(shù)比值差異圖。然后對(duì)差異圖進(jìn)行均值濾波和中值濾波，初步去除部分噪聲。再人工調(diào)整權(quán)重，將兩幅差異圖加權(quán)融合得到融合差異圖。最后使用K均值聚類算法K-means分析融合差異圖得到變化檢測(cè)結(jié)果圖。該方法存在的不足之處是，在差異圖融合過(guò)程中沒(méi)有考慮鄰域信息，受噪聲影響大，容易產(chǎn)生錯(cuò)誤分類的野點(diǎn)，增加變化檢測(cè)的誤檢率。

西安電子科技大學(xué)在其申請(qǐng)的專利文獻(xiàn)“基于無(wú)監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達(dá)SAR圖像變化檢測(cè)方法”(專利申請(qǐng)?zhí)枺?013107331941，公開號(hào)：CN103810699A)中提出了一種基于無(wú)監(jiān)督深度神經(jīng)網(wǎng)絡(luò)的合成孔徑雷達(dá)SAR圖像變化檢測(cè)方法。該方法首先對(duì)兩幅合成孔徑雷達(dá)SAR圖像進(jìn)行聯(lián)合模糊C均值聚類算法FCM分類獲得初始的變化檢測(cè)結(jié)果，然后從變化檢測(cè)結(jié)果中選擇有較大可能分類正確的像素點(diǎn)作為深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，再將這些樣本輸入到深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，最后將兩幅待檢測(cè)的圖像輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，得到變化檢測(cè)結(jié)果。該方法存在的不足之處是，在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)沒(méi)有考慮樣本的學(xué)習(xí)路徑，訓(xùn)練容易陷入局部最優(yōu)，增加錯(cuò)誤分類點(diǎn)的產(chǎn)生，降低變化檢測(cè)的準(zhǔn)確率。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)的不足，提出了一種基于自步學(xué)習(xí)SPL和卷積耦合神經(jīng)網(wǎng)絡(luò)CCN的合成孔徑雷達(dá)SAR圖像變化檢測(cè)方法，可以有效的避免訓(xùn)練過(guò)程陷入局部最優(yōu)，同時(shí)過(guò)濾了部分受乘性斑點(diǎn)噪聲影響較大的像素點(diǎn)，解決了現(xiàn)有技術(shù)中進(jìn)行合成孔徑雷達(dá)SAR圖像變化檢測(cè)時(shí)受噪聲影響大的問(wèn)題。