[发明专利]一种基于复数神经网络的SAR图像变化检测方法

说明书

本发明公开了一种基于复数神经网络的SAR图像变化检测方法，输入两幅原始SAR灰度图像，用传统方法得到初步差异图作为初步标签；根据初步标签，通过置信度检测筛选出两幅原始图像中部分像素块作为候选训练样本；构造一个包含3层复数全连接层和2层复数批归一化层的复数网络；从候选训练样本中按随机比例方法选出部分构造出复数训练样本，以此训练复数网络；利用已训练好的复数网络对两幅原始SAR图像直接构造出的测试复数样本进行测试，得到最终变化检测结果。本发明不仅充分利用了传统变化检测结果中的优势，而且表现了原始数据的特点，让神经网络更好学习到了两幅图像间的关系，从而得到了更好的变化检测结果。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于复数神经网络的SAR图像变化检测方法。

背景技术

变化检测是一项重要的技术，通过分析在不同时间在同一地点拍摄的两幅图像来检测区域表面变化。它在土地覆盖变化，环境监测和城市扩张评估中获得了的广泛应用。因此变化检测在遥感社区中越来越受到重视。由于SAR传感器与太阳光，云层覆盖和天气条件无关，所以SAR图像是执行变化检测任务的理想来源。但是，由于存在散斑噪声，SAR图像变化检测往往比光学图像更困难。

随着Hinton在2006年提出逐层无监督预训练方法，深度学习逐渐受到人们重视。而在2012年的ImageNet挑战赛上，Alex使用卷积神经网络取得了突破性的精度提升，从此深度学习彻底爆发。由于深度学习的自动特征提取能力和对噪声良好的鲁棒性以及模仿人类大脑工作的结构，其已经在越来越多的场景取得了突破性的应用成果。Gong等人在2016年将深度学习应用在SAR图像变化检测上并取得了成功，随后在SAR影像变化检测研究中出现了越来越多基于深度学习的算法。但是目前的深度网络基本都是基于实数的，而复数神经网络虽然提出的时间较早，由于一直缺乏系统的研究，且复数与现实数据的关联比较晦涩，导致在实数网络取得突破性成功后人们也很少去研究复数网络。但今年出现的一篇论文提出了复数网络基本组件系统性的公式化推导，用实验证明了复数网络在实数数据集上具有和实数网络不相上下的表达能力，并在特殊的领域(如音乐预测和语音分析的数据含有振幅和频率，可用复数表示)取得了超越实数网络的效果。而变化检测领域中的原始数据包含两部分(两幅待比较的图像)，恰好可以自然的组成一组复数数据，并以此训练一个复数网络来完成变化检测的任务。我们猜测两幅相关的图像组合成复数后可以让网络在处理过程更好的学到图像之间相关的特征，并因此在比较变化时取得优于实数网络的结果。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于复数神经网络的SAR图像变化检测方法，解决SAR图像变化检测中检测精度不高以及变化检测中两幅原始图像的组合问题，将两幅图像数据构造为复数数据，以提高SAR图像变化检测的质量。

本发明采用以下技术方案：

一种基于复数神经网络的SAR图像变化检测方法，输入两幅原始SAR灰度图像，利用初步差异图作为初步标签；根据初步标签，通过置信度检测筛选出两幅原始图像中部分像素块作为候选训练样本；构造一个包含3层复数全连接层和2层复数批归一化层的复数网络；从候选训练样本中按随机比例方法选出部分构造出复数训练样本，以此训练复数网络；利用已训练好的复数网络对两幅原始SAR图像直接构造出的测试复数样本进行测试，得到最终变化检测结果。

具体的，两幅原始SAR灰度图像I₁和I₂的大小均为412*300，求取两幅原始图像在相关位置的灰度相似度以及全局相似度门限；然后对两幅原始图像在相关位置求取灰度方差；再对两幅图像进行联合C均值模糊聚类，聚类时的聚类原则依靠图像的灰度方差，一次聚类完成后，比较两幅聚类图像在相关位置的灰度相似度；直到聚类中心的变化程度小于预定参数或者达到迭代次数上限为止。

进一步的，相关位置的灰度相似度如下：