[发明专利]基于超像素分割和特征学习的SAR图像变化检测方法

说明书

本发明公开一种基于超像素分割和特征学习的SAR图像变化检测算法，包括步骤：1)开始基于超像素分割和特征学习的SAR图像变化检测方法；2)对两幅配准后的同一地区不同时相的SAR图像进行超像素分割；3)应用差异度聚类法生成初始变化结果；4)根据初始变化检测结果在变化类和未变化类中选择相同数量的样本作为训练样本；5)将待训练样本输入到设计好的深度神经网络中进行训练；6)将两幅待检测的图像输入到训练好的深度神经网络中，得到最终的变化检测结果；7)结束。本发明以超像素块为基本处理单元，可以在一定程度上提高处理数据的时间，同时在很大程度上改善了噪声的敏感问题，显著的提高了检测效果及检测的正确率。

技术领域

本发明属于SAR图像变化检测技术领域，涉及超像素分割和深度神经网络的结合，具体提供了一种介于目标级别和像素级别之间的基于超像素分割和特征学习的SAR图像变化检测方法，通过无监督深度神经网络对超像素块的特征进行学习，实现对SAR图像的变化检测，可运用于环境监测、农业调查、救灾工作等SAR图像变化检测相关领域中。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候、分辨率高等特点，相对于可见光、红外传感器等具有得天独厚的优势。变化检测是在遥感领域中最重要的应用，它通过联合分析同一地区在不同时刻的两幅或多幅图像，根据图像之间的差异来获得所需要的地物变化信息。随着遥感技术的不断发展，变化检测技术也得到了迅猛发展，被广泛应用于农业生产、科研和军事等领域。

SAR图像变化检测的过程可以被分为图像预处理过程和图像分析过程。图像的预处理过程包括图像配准、几何校正、图像增强等；图像的分析过程大体有两种类型的方法：(1)基于像素点的变化检测技术；(2)基于目标级别的变化检测技术。

基于像素点的图像变化检测技术是比较传统的变化检测方法，它是通过对两幅同一地区不同时间的SAR图像逐个像素点进行比较生成差异图，然后对差异图进行图像分割操作得到最终的只反映变化和未变化信息的二值图。传统的基于像素点的变化检测方法相对简单、快速、直接，但是由于SAR图像存在大量的相干斑噪声，基于像素点的变化检测方法对噪声非常敏感，导致误检或漏检的现象比较严重；另外由于基于像素点的方法要对图像中的每个像素点进行处理，因此会受限于速度，尤其是当处理分辨率特别大的SAR图像的时候，速度劣势更为明显。因此针对这一缺点，出现了一种新的基于目标的变化检测技术。

基于目标的变化检测技术是基于图像的光谱特性、形状、纹理、大小和其他拓扑特征将图像划分成许多有意义的均匀的区域，然后通过对这些区域的比较得到变化的结果，基于目标的变化检测方法已经成功的应用于土地利用和土地覆盖的分类等领域中。由于基于目标的变化检测融入了很多周围像素点的特征，且由于分割成了多个有意义的区域，因此它对于处理分辨率特别大的SAR图像在速度上和分类效果上都具有明显的优势。但是基于目标的变化检测技术需要很大程度的依赖于图像分割的结果，并且通常对细节保留做的不够好。