[发明专利]基于耦合翻译网络的异源图像变化检测方法

说明书

本发明公开了一种基于耦合翻译网络的异源图像变化检测方法，主要解决现有异源图像变化检测方法精度低、鲁棒性不强的问题。其实现步骤为：1)设定两个翻译网络的结构和参数；2)输入两幅异源图像并计算两幅图像间的杰森‑香农散度距离和像素未变化的概率系数；3)训练第一个翻译网络，得到第一幅图的翻译结果图；4)训练第二个翻译网络，得到第二幅图的翻译结果图；5)根据两幅翻译结果图更新像素未变化的概率系数；6)依次重复步骤3)‑5)直到网络目标函数值稳定；7)根据两幅翻译结果图得到差异图；8)对差异图进行聚类，得到最后的变化检测图。本发明具有检测准确、鲁棒性强的优点，可用于图像翻译、模式识别、目标跟踪。

技术领域

本发明属于图像处理技术领域，特别涉及异源图像变化检测方法，可用于图像生成、模式识别或目标跟踪。

背景技术

变化检测是一项通过分析一组拍摄于相同地点不同时间的图像来检测区域变化的技术。根据图像来源的不同，变化检测可分为同源图像变化检测和异源图像变化检测。其中同源图像是指由相同传感器拍摄的图像，它们之间属性相同，未变化区域内像素线性相关，从而可以直接比较像素间的差异获得差异图；异源图像是由不同传感器获得的图像，比如合成孔径雷达SAR图像和光学图像，它们像素之间不同的统计属性使得难以直接生成差异图。所以异源图像变化检测是比同源图像变化检测更具挑战性的一项技术。

现有的异源图像变化检测技术的一般步骤是先分类再比较PCC：首先利用图像分割技术分别对两幅图像进行分类，相同的类别用相同的标签标识；然后直接比较分类结果图获得变化检测图。但是这种方法只有在两幅图像都分类精确的情况下才能取得好的结果，而面对复杂的遥感图像，图像分割可能会精度不高，而且还需要人工确定图像分类的类别数目，这些都限制了PCC方法的实际应用。借助于神经网络强大的特征提取的能力，JiaLiu提出了一种基于对称卷积网络的异源图像变化检测方法SCCN，参见J.Liu,M.Gong,K.Qin,and P.Zhang,“A deep convolutional coupling network for change detectionbased on heterogeneous optical and radar images,”IEEE Transactions on NeuralNetworks and Learning Systems,Dec.2016。SCCN利用对称的卷积神经网络分别提取两幅图的特征，然后计算特征图的欧式距离获得差异图。但是该方法只计算了未变化区域而且用一固定的参数判别像素的变化与否，导致该方法在处理变化区域较多或者包含多目标的图像时精度较低。

由于上述基于分类的异源图像变化检测方法精度不高而且需要人工干预，而无监督的基于卷积神经网络的方法应用范围较小。因此，研究一种更加鲁棒的无监督的异源图像变化检测方法是本技术领域科技人员的当务之急。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于耦合翻译网络的异源图像变化检测方法，以提高检测精度，降低无监督的方法对图像源的要求，扩展异源无监督变化检测算法的应用范围。

为实现上述目的，本发明的技术方案包括如下：

(1)设定两个参数不同的翻译网络A和B，其距离系数分别为λ_A和λ_B；

(2)输入两幅配准后的异源图像I₁和I₂，用一个滑动窗口提取这两幅图像的邻域信息，然后计算邻域块之间的杰森-香农散度距离L，并根据L计算图像邻域块的概率系数P_u；

(3)以第二幅异源图像I₂为目标，以第一幅异源图像I₁为输入，对第一个翻译网络A进行训练，得到第一幅异源图像翻译后的图像

(4)以第一幅异源图像翻译后的图像为目标，以第二幅异源图像I₂为输入，对第二个翻译网络B进行训练，得到第二幅异源图像翻译后的图像