[发明专利]基于深度胶囊网络的SAR图像变化检测方法

说明书

本发明公开了一种基于深度胶囊网络结构的SAR图像变化检测方法，主要解决现有技术无法从图像中提取到更多有用特征信息及获取的训练样本中包含的有效图像信息不足的问题。其实现步骤是：获取两张SAR实验图像；根据实验图像的像素信息，获取像素间的相似度阈值和像素的差异值；用KI阈值法对实验图进行预分类，得到图像的标签；根据相似度阈值、像素的差异值及图像的标签，得到训练标签和训练样本并胶囊网络进行训练；再对的训练好网络进行层次加深；将实验图输入到深度胶囊网络中，得到变化检测结果图。本发明能从训练样本中得到更多有用的特征信息，提高了变化检测精度，可用于环境监测、农业调查和救灾工作的SAR图像变化检测中。

技术领域

本发明属于图像处理技术领域，特别涉及一种SAR图像变化检测方法，可用于环境监测、农业调查和救灾工作。

背景技术

合成孔径雷达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，它通过分析同一地区在不同时刻的两幅图像，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和科研等领域。

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、几何校正和图像增强；图像的分析过程大体有两种类型的方法：(1)有监督的SAR图像变化检测技术；(2)无监督的SAR图像变化检测技术。

虽然有监督的SAR图像变化检测技术有时可以获得比较理想的检测结果，但是要求知道真实变化信息，或者需要大量的有标记训练样本，而这些在实际应用中往往是很难做到的。所以无监督的SAR图像变化检测能更好的迎合实际工作的需要，具有重要意义。传统的无监督的SAR图像变化检测方法有图像差值法，图像比值法，后分类比较法，图像回归法，植被索引法等。这些变化检测方法实现简单，但通常对噪声非常敏感，导致误检或漏检的现象比较严重，近年来又有学者提出了基于深度学习的SAR图像变化检测算法。

基于深度学习的SAR图像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预分类数据输入到网络模型中，然后通过网络模型进行训练，根据训练好的网络模型来学习图像特征信息，通过分类器对图像特征信息进行分类得到最终变化的结果，基于深度学习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。由于基于深度学习的变化检测融入了很多周围像素点的特征，因此它对于处理分辨率特别大的SAR图像在分类效果上具有明显的优势。SAR图像变化检测的难点在于图像中存在大量的相干斑噪声，这些噪声难于处理，容易对结果产生很大的影响。国内外的学者在变化检测领域中做了大量的研究。

授权公告号为CN 103810699 B，名称为“基于无监督神经网络的SAR图像变化检测方法”的中国专利，公开了一种基于深度神经网络的变化检测方法，该方法基于对两幅配准后的同一地区不同时相的SAR图像进行模糊C均值联合分类获得粗糙的变化检测结果，根据初始的变化检测结果选择可能性大的非噪声点作为训练样本，将训练样本输入到神经网络中训练，将待检测图片输入到训练好的模型中得到最后的变化检测结果图。但这种方法的不足在于，无法充分地从获得的图像块中得到有用的信息，从而降低检测的精度，同时得到的预处理图像会影响得到的训练标签，进一步影响到SAR图像变化检测的结果。在深度学习方法中，卷积网络、深信度网络、玻尔兹曼机等深度神经网络被提出，广泛用于图像特征信息提取和分类，不同的神经网络提取图像特征信息的能力不同，从而影响最终的分类效果，其中：

胶囊网络是一种基于胶囊化的卷积网络和动态路由算法的深度神经网络，通过将处理后的图像作为标签来进行网络训练，实现无监督的深度学习SAR图像变化检测。通过胶囊化的卷积网络可以获取图像的有用的不同特征信息，同时获取的特征信息被组合成向量，并通过动态路由算法对这个向量进行归一化，归一化后的向量用来表征信息。这个向量的模的大小表示不同类别的概率，网络通过这个概率来进行分类。虽然胶囊网络处理后的特征信息可以取得不错的分类效果，但是网络不能够更有效地分类已获取的高级特征信息，从而降低检测精度，无法得到更好的变化检测结果。