[发明专利]一种深度学习分类后比较的SAR变化检测方法

说明书

本发明公开了一种深度学习分类后比较SAR变化检测方法，其实现过程是：利用MDPS‑CNN具有两个网络通道且其可以具有不同权值这一特性，分别对灾前、灾后两时刻的SAR图像进行深度特征的提取。与此同时，我们用两时刻的原始SAR图像来得到其纹理特征和灰度特征，然后在MDPS‑CNN网络内部将纹理特征、灰度特征和深度特征进行融合。此外，为了针对具体SAR图像在不同深度层和保证高准确率的情况下做一个权衡，MDPS‑CNN采用分段反向传播来优化网络使其自动选择合适的层数。我们将得到的两组融合后的图像用阈值法进行分类。最后将得到的两幅分类图进行水域变化的比较来得到最终的水域变化检测图。

技术领域

本发明涉及SAR图像变化检测领域，具体是一种深度学习分类后比较的SAR变化检测方法。

背景技术

近些年，大范围的自然灾害，例如地震、海啸等，严重威胁着人类的生命和财产安全。受灾区域的变化检测分析对灾后救援和重建有着重要的意义。从遥感数据中获取灾害信息是一种十分重要的研究手段。合成孔径雷达（Synthetic Aperture Radar, SAR）由于其不受天气、昼夜变化的影响，是监测受灾区域变化情况的有力工具。然而，由于SAR图像固有的乘性噪声，使得SAR图像在变化检测中表现出更多的困难。

一般来说，SAR图像变化检测方法可以被分成两类：(1)后比较分析法，在灾前、灾后两个时刻的SAR图像之间生成差异图（difference image,DI）,然后对DI分类以获得变化检测的结果。因此，它也可以被称为DI分析法[]。但是，DI的质量会影响最终的检测结果。(2)后分类比较法，它分别对两个时刻SAR图像进行分类，然后比较它们的分类结果，以实现对变化和未变化的区域显示。由于可能SAR成像时间、成像的传感器不同而要求对其进行辐射归一化的问题，而上述两种方法是可以避免这些问题的发生。有利就有弊，同样也存在累积着分类错误的问题和对两个时刻的SAR图像进行高精度分类的要求。权衡之下，我们提出了一种基于后一种思想的方法。

发明内容 本发明的目的是提出了一种基于MDPS-CNN的SAR图像变化检测方法，采用这一方法对灾前、灾后地区的水域变化情况进行了检测和评估。利用训练好的MDPS-CNN模型提取其深度特征。然后我们用两时刻的原始SAR图像来得到其纹理特征和灰度特征，其次在MDPS-CNN网络内部将纹理特征、灰度特征和深度特征进行融合。我们将得到的两组融合后的图像用阈值法进行分类。分类之后，利用图像差值方法对受灾区域情况进行检测。最后与一些经典的变化检测方法进行对比，定量分析结果表明MDPS-CNN的变化检测具有更高的检测精度。

为了达到上述目的，本发明所采用的技术方案为：

一种深度学习分类后比较的SAR变化检测方法，其特征在于：包括以下步骤：

步骤1）特征提取，具体步骤如下：

1a）、深度特征提取：

由于深度特征在深度学习中使用较少，大多深度学习都直接以概率输出分类结果图，所以我们决定从分类结果前入手，对深度特征进行处理。该部分我们以一个通道为例，提取SAR图像的深度特征。我们利用MDPS-CNN网络进行训练，对输入的一张M*N尺寸大小的SAR图像进行训练，由于网络中每一层都可以输出该层的特征图，假设网络共有C层，我们选择在全连接层之前输出该SAR图像的特征图，记为其的深度特征；

1b）、纹理特征提取：

Gabor纹理特征具有较好的尺度和方向选择性, 已经成功地应用于图像分割、目标检测和识别领域中。本文融合多方向多尺度Gabor纹理特征。2维Gabor基函数通常表示为被复正弦函数调制的高斯函数；

1c）、灰度特征提取：