[发明专利]基于多粒度级联森林模型的SAR图像变化检测方法

说明书

本发明公开了一种基于多粒度级联森林模型的SAR图像变化检测方法，主要解决传统方法对差异图的强依赖性问题，其实现方案是：给定两幅配准的多时相SAR图像I₁和I₂；对I₁和I₂用对数比算子生成差异图I_d；对I_d提取类哈尔特征并输入到训练好的多粒度级联森林模型，生成两个概率图I₁和I₀并与差异图I_d构成新特征；利用新特征重新训练模型，得到新的预测结果把的Kappa系数与上一次的Kappa系数相较，选取系数较高的预测结果作为最终的变化检测结果。本发明能有效抑制差异图对最终结果的影响，提高变化检测的准确率，可用于环境检测和灾害检测。

技术领域

本发明属于图像处理技术领域，尤其涉及一种SAR图像变化检测方法，可用于环境检测、农业调查、自然灾害检测、森林资源监测等。

背景技术

合成孔径雷达SAR具有高分辨率，可全天时、全天候工作的优势，被广泛应用于民用和军事领域。目前，自然环境的恶劣变化，城市的迅速发展，使得图像变化检测技术迅速崛起。

变化检测是用于检测同一地点在一段时间内所发生的变化情况，传统的变化检测方法采用Bruzzone等人在2002年提出的经典三步流程范式：1)预处理；2)生成差异图；3)分析差异图。由于SAR图像深受相干斑的影响，这种传统的方法的检测结果很大程度上依赖于差异图的性能，往往当差异图的性能不好时，产生的精度会很低。为了克服这个缺点，可利用具有强大的抽象表达能力的深度学习来进行变化检测。

随着近年来深度学习的火热，深度学习的应用越来越频繁。理论分析证明，深度学习能够学习表达抽象的复杂函数，深度结构由多层非线性结构组成。很多学者都利用深度学习来解决变化检测问题，例如Gong等人提出基于深度神经网络的SAR图像变化检测，利用堆叠的限制性波尔兹曼机，通过逐层的预训练及对整个网络的精调，取得了较高的精度；如Gao等人提出的基于PCANet的SAR图像变化检测，利用一种简化的CNN模型 PCANet从多时相图像中提取鲁棒的更易于分类的特征来实现变化检测。

上述大多数利用深度学习进行变化检测的方法是基于深度神经网络的，由于深度神经网络需要大量的训练样本，但是实际中可用于训练的具有标签的样本非常有限，这会严重影响此方法的性能；其次深度神经网络的超参数很多，调参困难，导致效率较低。

发明内容

本发明的目的在于针对传统方法的不足，提出一种基于多粒度级联森林模型的SAR 图像变化检测方法，以避免检测结果对差异图的强依赖性，减少训练所需要的样本数及可调节超参数的个数，提高检测精度和效率。

为实现上述目的，本发明基于多粒度级联森林模型的SAR图像变化检测方法，包括如下：

1.一种基于多粒度级联森林模型的SAR图像变化检测方法，其特征在于，包括如下步骤：

(1)给定两幅配准的具有相同尺寸的多时相SAR图像I₁和I₂，并对I₁和I₂使用对数比算子，生成归一化的差异图I_d；

(2)以归一化的差异图I_d的每个像素点为中心按大小为21×21取块，每个图像块作为一个样本，也就是每个样本对应一个像素点，然后对每个样本提取类哈尔特征；

(3)随机选取少量样本作为训练样本，利用训练样本的类哈尔特征对多粒度级联森林模型进行训练，得到训练好的多粒度级联森林模型；

(4)利用训练好的多粒度级联森林模型，对所有样本进行测试，得到预测结果

(5)生成两个概率图I₁和I₀