[发明专利]基于SAE和显著性检测的高分辨SAR图像变化检测方法

说明书

基于SAE和显著性检测的高分辨SAR图像变化检测方法，从两幅配准后的同一地区、不同时相的SAR图像中提取不同大小的图像块作为第一训练数据集和第二训练数据集；分别将两个训练数据集归一化到[0，1]之间；分别构建两个三层堆栈自编码网络，确定网络每一层的特征数并随机初始化权重和偏置，将两个归一化训练数据集分别送入三层堆栈自编码网络，训练得到每一层的权重、偏置；将两幅图像分别送入训练好的网络，得到两幅图像的特征；在特征域得到两幅图像的差异性，并对差异性通过阈值法确定出阈值分割差异图，分别得到显著性区域；结合两个显著性区域得到最终显著性区域，通过聚类算法得到最终变化检测结果。本发明有效提高了检测精度。

技术领域

本发明属于深度学习与遥感图像处理相结合的领域，具体涉及一种基于SAE和显著性检测的高分辨SAR图像变化检测方法，借助深度神经网络模型，具有较高的检测精度。

背景技术

基于遥感影像的变化检测，就是从不同时间获取的同一地理区域多时相遥感影像中，定性或定量地分析确定地表变化特征及变化过程的技术。由于变化检测技术可以检测出遥感影像的局部纹理变化信息以及辐射值，因而在资源和环境监测方面，能够检测出土地的利用率以及土地的覆盖状况、森林以及植被的覆盖率、城市的扩张状况等；而在农业调查方面，该技术能够及时地更新地理空间数据，继而了解某一地理区域内农作物的生长状况等；同时该技术对于自然灾害的监测和估计，以及在军事等领域中也有着重要作用。

经典的SAR图像变化检测方法有：(1)基于简单代数运算的变化检测，经典的包括图像差值法、图像比值法以及对数比值法；(2)基于图像变换的变化检测，经典的包括主成分分析、变化向量分析法、相关分析法图像变换法；(3)基于图像分类的变化检测方法。

近年来对SAR影像变化检测的研究得到了广泛的关注，国内外诸多优秀团队对其进行了广泛而细致的研究。在经典变化检测算法的基础上，深度学习在SAR图像变化检测领域的研究，主要是通过一些标记的数据训练深度神经网络，在特征域对图像分析得到变化检测结果。

目前的SAR变化检测算法大部分为中低分辨率、象元级、单极化的SAR影像变化检测。随着SAR技术的日益成熟，图像质量逐渐提高，分辨率逐渐增强，获取数据的能力和精度越来越高，图像获取越来越便捷，SAR变化检测的前景更加广泛。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于SAE和显著性检测的高分辨SAR图像变化检测方法，通过SAE获得显著性区域，再对显著性区域利用聚类法获得最终变化检测结果，进而避免SAR图像的噪声影响，增大可处理图像的尺寸，提高检测精度。

为了实现上述目的，本发明采用的技术方案包括以下步骤：

1)从两幅配准后的同一地区、不同时相的SAR图像中提取不同大小的图像块分别作为第一训练数据集D1和第二训练数据集D2；

2)分别将第一训练数据集D1和第二训练数据集D2归一化到[0，1]之间，得到第一归一化训练数据集N1和第二归一化训练数据集N2；

3)分别构建第一三层堆栈自编码网络和第二三层堆栈自编码网络，确定两个网络每一层的特征数并随机初始化权重和偏置，将第一归一化训练数据集N1和第二归一化训练数据集N2分别送入第一三层堆栈自编码网络和第二三层堆栈自编码网络，采用逐层贪婪训练法进行训练，得到每一层的权重、偏置；将两幅图像分别送入训练好的网络，得到两幅图像的特征；

4)在特征域得到两幅图像的差异性，并对差异性通过阈值法确定出阈值分割差异图，分别得到不同大小的第一显著性区域和第二显著性区域；

5)结合第一显著性区域和第二显著性区域得到最终显著性区域，并对提取到的最终显著性区域通过聚类算法得到最终变化检测结果。