基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法技術(shù)

本發(fā)明專利技術(shù)公開一種基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法，步驟包括：1)用超像素分割兩幅原始圖像；2)精細(xì)化分割，使得分割后兩幅圖像得到相同的超像素分割輪廓；3)計(jì)算兩幅原始圖像的差異圖，用傳統(tǒng)變化檢測方法得到初始變化檢測結(jié)果圖；4)分割初始變化檢測結(jié)果圖，得到每個(gè)超像素塊的標(biāo)簽；5)建立堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型；6)將兩幅原始圖像對應(yīng)位置的超像素塊疊加為列向量，作為訓(xùn)練樣本輸入到深度神經(jīng)網(wǎng)絡(luò)中訓(xùn)練；7)調(diào)整深度神經(jīng)網(wǎng)絡(luò)參數(shù)；8)將兩幅原始圖像對應(yīng)位置的超像素塊疊加為列向量，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中得到變化結(jié)果。本發(fā)明專利技術(shù)解決了現(xiàn)有像素級變化檢測計(jì)算量大，目標(biāo)級變化檢測準(zhǔn)確度低的問題。

Hyper pixel level SAR image change detection method based on depth neural network

The invention discloses a super pixel level SAR image change depth based on neural network detection method, comprising the following steps: 1) with super pixel segmentation two pieces of the original image; 2) fine segmentation, the segmentation of two images obtained from the same super pixel segmentation contour; 3) amplitude difference calculation of two of the original image map and with the traditional change detection methods to get the initial change detection results; 4) segmentation initial change detection results, each super pixel block label; 5) set up the stack denoising since the encoding depth of the neural network model; 6) the two pieces of the original image and the corresponding position of the super pixel block as the superposition of column vectors, as training the input to the neural network training sample depth; 7) to adjust the depth of the neural network parameters; 8) the two original images corresponding to the location of the super pixel block as the superposition of the column vector, the input to the trained neural network to get change Result\u3002 The invention solves the problems that the existing pixel level change detection has large amount of calculation and low accuracy of target level change detection.

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法
本專利技術(shù)屬于圖像處理
，涉及圖像變化檢測，具體是一種基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法，可用于遙感影像監(jiān)測、醫(yī)學(xué)診斷、自然災(zāi)害評估等
中。
技術(shù)介紹
遙感影像變化檢測技術(shù)用于檢測同一地區(qū)在不同時(shí)間內(nèi)所發(fā)生的變化情況，具有重要的應(yīng)用價(jià)值。而基于合成孔徑雷達(dá)的(SyntheticApertureRadar,SAR)影像的變化檢測由于SAR傳感器不受時(shí)段、天氣條件影響等優(yōu)良特征而受到廣泛關(guān)注。對于SAR圖形的變化檢測問題，研究者已經(jīng)提出了很多方法，這些方法對差異圖的生成以及閾值、聚類、圖切、水平集四種常用的差異圖分析方法進(jìn)行了不同程度的研究，將傳統(tǒng)方法進(jìn)行了改善，取得了良好的效果。近些年來，深度神經(jīng)網(wǎng)絡(luò)(Deeplearning)已經(jīng)成為一種新的機(jī)器學(xué)習(xí)方法廣泛應(yīng)用。它通過構(gòu)建深層的神經(jīng)網(wǎng)絡(luò)模型來表達(dá)和分析數(shù)據(jù)，具有更強(qiáng)的學(xué)習(xí)能力。在深度學(xué)習(xí)中，我們可以不需要預(yù)處理而直接輸入數(shù)據(jù)，而數(shù)據(jù)的特征通過每一層被學(xué)習(xí)出來。深度神經(jīng)網(wǎng)絡(luò)的模型主要包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)，深度信念網(wǎng)絡(luò)(DBN)和自編碼器(AE)。因?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)對圖像有更好的表達(dá)方式，提取更深層次的特征，所以有一些研究人員已經(jīng)將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用到SAR圖像的變化檢測中，并取得了很好的效果，比如：MaoguoGong等人提出了一種基本深度學(xué)習(xí)的變化檢測方法，參見M.Gong,J.Zhao,J.Liu,Q.Miao,L.Jiao.ChangeDetectioninSyntheticApertureRadarImagesBasedonDeepNeuralNetworks.IEEETransactionsonNeuralNetworksandLearningSystems,Vol.27,No.1,2016:125-138.將深度神經(jīng)網(wǎng)絡(luò)的優(yōu)勢引入到圖像變化檢測中已經(jīng)成為變化檢測方向新的熱點(diǎn)。根據(jù)處理的目標(biāo)不同，變化檢測也分為像素級別和目標(biāo)級別，分別對應(yīng)處理的對象是像素和圖像中的目標(biāo)。閾值、聚類以及上述的基于深度神經(jīng)網(wǎng)絡(luò)的變化檢測都是像素級別的變化檢測，他們處理的對象是圖像的像素。這些像素級別的變化檢測分類相對準(zhǔn)確，但是主要缺陷是易受噪聲干擾(尤其是閾值和聚類方法)，并且由于處理的對象是每一個(gè)圖像的像素，所以處理時(shí)計(jì)算量比較大。目標(biāo)級別的變化檢測主要是通過圖像分割的技術(shù)先將待處理的圖像進(jìn)行目標(biāo)分割，然后再進(jìn)行分類。其處理速度快，但是精確度主要取決于圖像分割的結(jié)果，穩(wěn)定性差。超像素是一種介于像素與目標(biāo)之間的圖像區(qū)域，概念就是把圖像分割成很多小區(qū)域，每個(gè)子區(qū)域內(nèi)部之間具有某個(gè)特征很強(qiáng)的一致性，然后可以把這一整個(gè)塊當(dāng)成一個(gè)整體來處理，每一小塊就是超像素，這樣處理有一些便捷，比如數(shù)據(jù)點(diǎn)數(shù)減少，或者這一塊有圖像語義，利于后續(xù)其他應(yīng)用。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于克服上述已有技術(shù)的不足，提出一種基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法，以實(shí)現(xiàn)在圖像變化檢測中既能得到比目標(biāo)級別變化檢測更好的結(jié)果，又能降低像素級變化檢測方法計(jì)算量比較大的缺點(diǎn)，使得變化檢測結(jié)果更穩(wěn)定。本專利技術(shù)的技術(shù)方案是：基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法，包括如下步驟：(1)對兩幅原始圖像進(jìn)行超像素分割，分別得到分割后的圖像SI1、SI2和分割輪廓C1、C2；(2)根據(jù)兩幅原始圖像的分割輪廓，進(jìn)一步進(jìn)行精細(xì)化分割，使得兩幅圖像得到相同的精細(xì)化分割輪廓C和精細(xì)化分割后圖像S1和S2，并且兩幅圖像都得到M個(gè)對應(yīng)的超像素塊；(3)求兩幅原始圖像的差異圖，用閾值法或模糊聚類法變化檢測方法得到初始變化檢測結(jié)果圖；(4)使用精細(xì)化分割輪廓C去分割初始變化檢測結(jié)果圖，并統(tǒng)計(jì)被分割的初始變化檢測結(jié)果圖中每個(gè)超像素塊中變化與未變化的像素點(diǎn)數(shù)目，如果變化的像素點(diǎn)數(shù)目大于80％，則該超像素塊的標(biāo)簽為變化類，如何未變化的像素點(diǎn)數(shù)目大于80％，則該超像素塊的標(biāo)簽為未變化類；否則該超像素塊為不確定；(5)建立堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型；(6)將S1和S2中有確定標(biāo)簽的對應(yīng)位置的超像素塊分別取出，疊加成列向量，輸入到建立的堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練；(7)根據(jù)初始變化檢測結(jié)果圖得到的標(biāo)簽，使用反向傳播算法調(diào)整堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中各個(gè)神經(jīng)元之間的連接權(quán)重，得到最終訓(xùn)練好的模型；(8)再次將S1和S2對應(yīng)位置的所有超像素塊分別疊加成列向量，輸入到訓(xùn)練好的堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中，深度神經(jīng)網(wǎng)絡(luò)模型將判斷對應(yīng)的超像素塊是變化的還是未變化的，最終輸出變化檢測結(jié)果的二值圖。上述步驟(2)所述的精細(xì)化分割，具體步驟如下：將不同的分割輪廓C1和C2進(jìn)行精細(xì)化分割，得到相同的精細(xì)化分割輪廓，即C1＝C2＝C；具體過程為遍歷C1和C2每個(gè)超像素輪廓的值，如果對應(yīng)位置輪廓標(biāo)記相同，則該位置標(biāo)記不變；如果不同，則該位置賦新的輪廓標(biāo)記；其中，上述公式(1)中，newlabel是表示與C1和C2的標(biāo)記都不相同的新的標(biāo)記；用得到的精細(xì)化分割輪廓C重新分割兩幅原始圖像，得到精細(xì)化分割后圖像S1和S2，每幅圖像都被分割為M個(gè)對應(yīng)的超像素塊。上述步驟(4)中用精細(xì)化分割輪廓C去分割初始變化檢測結(jié)果圖，得到每個(gè)超像素塊的標(biāo)簽，按如下方法進(jìn)行：用得到的精細(xì)化分割輪廓C去分割初始變化檢測結(jié)果圖，并得到分割后的圖像D；根據(jù)分割后的初始變化檢測結(jié)果圖，確定每一塊超像素塊的標(biāo)簽；其中，上述公式(2)中，(label)j代表第j個(gè)超像素塊的標(biāo)簽，Dj代表第j個(gè)超像素塊中像素的總個(gè)數(shù)，Djunchanged和Djchanged分別代表第j個(gè)超像素塊中未變化的像素個(gè)數(shù)和變化的像素個(gè)數(shù)；用上述公式(2)確定每一塊超像素塊的標(biāo)簽，0代表該像素塊是未變化的，1代表該像素塊是變化的。上述步驟(6)所述的將S1和S2中有確定標(biāo)簽的對應(yīng)超像素塊分別取出，疊加成列向量，輸入到堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練，按如下方法進(jìn)行：分別取出兩幅原始圖像對應(yīng)位置的超像素塊，將取出的兩個(gè)對應(yīng)位置的超像素塊中的每個(gè)像素組成列向量，并把兩個(gè)列向量疊加為一個(gè)列向量作為訓(xùn)練樣本輸入到堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，該過程是無監(jiān)督的，訓(xùn)練的數(shù)據(jù)不需要標(biāo)簽，從底層開始，一層一層的往頂層訓(xùn)練。上述步驟(7)所述的根據(jù)初始變化檢測結(jié)果圖得到的標(biāo)簽，調(diào)整堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中各個(gè)神經(jīng)元之間的連接權(quán)重，得到最終訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型，按如下方法進(jìn)行：堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練之后，使用反向傳播算法進(jìn)行參數(shù)調(diào)整，即通過帶標(biāo)簽的數(shù)據(jù)去訓(xùn)練，誤差自頂向下傳輸，對深度神經(jīng)網(wǎng)絡(luò)模型中節(jié)點(diǎn)之間連接的參數(shù)進(jìn)行調(diào)整，該過程需要使用標(biāo)簽為0或1的超像素塊去訓(xùn)練，通過調(diào)整節(jié)點(diǎn)之間連接的參數(shù)得到最終訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型。本專利技術(shù)的有益效果：與現(xiàn)有的技術(shù)相比本專利技術(shù)具有以下優(yōu)點(diǎn)：1、本專利技術(shù)由于采用了超像素級別的處理目標(biāo)，直接檢測像素塊是變化的還是未變化的，相對像素級別的變化檢測降低了計(jì)算量，相對目標(biāo)級別的變化檢測增加了準(zhǔn)確性；2、采用了深度神經(jīng)網(wǎng)絡(luò)模型，提取了超像素塊的深層的內(nèi)部特征，通過訓(xùn)練能更好的分辨變化類與未變化類。附圖說明圖1是本專利技術(shù)實(shí)現(xiàn)步驟的流程框圖；圖2是本專利技術(shù)精細(xì)化超本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法，其特征在于，包括如下步驟：(1)對兩幅原始圖像進(jìn)行超像素分割，分別得到分割后的圖像SI

【技術(shù)特征摘要】
1.基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法，其特征在于，包括如下步驟：(1)對兩幅原始圖像進(jìn)行超像素分割，分別得到分割后的圖像SI1、SI2和分割輪廓C1、C2；(2)根據(jù)兩幅原始圖像的分割輪廓，進(jìn)一步進(jìn)行精細(xì)化分割，使得兩幅圖像得到相同的精細(xì)化分割輪廓C和精細(xì)化分割后圖像S1和S2，并且兩幅圖像都得到M個(gè)對應(yīng)的超像素塊；(3)求兩幅原始圖像的差異圖，用閾值法或模糊聚類法變化檢測方法得到初始變化檢測結(jié)果圖；(4)使用精細(xì)化分割輪廓C去分割初始變化檢測結(jié)果圖，并統(tǒng)計(jì)被分割的初始變化檢測結(jié)果圖中每個(gè)超像素塊中變化與未變化的像素點(diǎn)數(shù)目，如果變化的像素點(diǎn)數(shù)目大于80％，則該超像素塊的標(biāo)簽為變化類，如何未變化的像素點(diǎn)數(shù)目大于80％，則該超像素塊的標(biāo)簽為未變化類；否則該超像素塊為不確定；(5)建立堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型；(6)將S1和S2中有確定標(biāo)簽的對應(yīng)位置的超像素塊分別取出，疊加成列向量，輸入到建立的堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練；(7)根據(jù)初始變化檢測結(jié)果圖得到的標(biāo)簽，使用反向傳播算法調(diào)整堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中各個(gè)神經(jīng)元之間的連接權(quán)重，得到最終訓(xùn)練好的模型；(8)再次將S1和S2對應(yīng)位置的所有超像素塊分別疊加成列向量，輸入到訓(xùn)練好的堆棧去噪自編碼深度神經(jīng)網(wǎng)絡(luò)模型中，深度神經(jīng)網(wǎng)絡(luò)模型將判斷對應(yīng)的超像素塊是變化的還是未變化的，最終輸出變化檢測結(jié)果的二值圖。2.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的超像素級SAR圖像變化檢測方法，其特征在于，步驟(2)所述的精細(xì)化分割，具體步驟如下：將不同的分割輪廓C1和C2進(jìn)行精細(xì)化分割，得到相同的精細(xì)化分割輪廓，即C1＝C2＝C；具體過程為遍歷C1和C2每個(gè)超像素輪廓的值，如果對應(yīng)位置輪廓標(biāo)記相同，則該位置標(biāo)記不變；如果不同，則該位置賦新的輪廓標(biāo)記；其中，上述公式(1)中，newlabel是表示與C1和C2的標(biāo)記都不相同的新的標(biāo)記；用得到的精細(xì)化分割輪廓C重新分割兩幅原始圖像，得到精...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：公茂果，武越，雷超，張普照，李豪，劉嘉，王善峰，馬晶晶，
申請(專利權(quán))人：西安電子科技大學(xué)，
類型：發(fā)明
國別省市：陜西,61