[发明专利]基于深度共享表示的SAR图像变化检测方法

说明书

本发明提供了一种基于深度共享表示的SAR图像变化检测方法，解决了传统检测方法对于数据的融合大都采用直接拼接成大的数据链，增大计算量，而且不能抓住数据信息的空间特征，无法准确分类分线性分布的像素点等问题。实现步骤有：构建两个时相图像的差异图；生成训练样本和样本标签；构建深度感知器；生成映射矩阵；更新网络；生成标签向量；获得SAR图像变化检测结果。本发明将两个时相和差异图同时进行学习，并行处理，可以融合两个时相和差异图的信息，也避免了增加计算量，同时提高了鲁棒性和精度。用于SAR图像变化检测。

技术领域

本发明属于图像处理领域，更进一步涉及遥感图像变化检测技术领域中的一种基于深度共享表示的合成孔径雷达SAR(Synthetic Aperture Radar)图像变化检测方法。本发明可用于农业调查、自然灾害检测、森林资源监测中检测两幅不同时相的SAR图像变化区域。

背景技术

变化检测是指通过观测某一物体或现象在不同时间的状态得出其变化信息的技术。SAR图像变化检测是分析同一地区不同时段的SAR图像，检测出该地区的变化信息。作为对地观测卫星的关键技术，合成孔径雷达SAR图像变化检测已经被运用在包括农业调查、自然灾害检测、森林资源监测等诸多领域。变化检测指利用多时相获取的覆盖统一地表区域的遥感图像以及其他辅助数据来确定和分析地表变化。传统变化检测方法由以下经典三步流程范式：1)输入两张经过预处理后的合成孔径雷达SAR图像；2)使用差异算子或其他方法获得差异图；3)分析差异图。早期人们使用差值算子求取差异图，对于传统的变化检测方法，性能好坏依赖于差异图的形成，而差异图的形成又有噪声的干扰，所以得不到很高的精度。由于采集图像有各种各样的噪声，后来人们相继提出对数比算子、均值比算子等。

广东工业大学在其申请的专利文献“一种SAR图像变化检测的方法与装置”(专利申请号CN201710597812.2，公开号CN107451992A)中公开了一种基于一种SAR图像变化检测的方法。该方法首先将两幅SAR图像分为参考图像和测试图像；再将这两幅图像进行重叠分块处理，得到参考图像块和测试图像块；通过构建局部字典，并利用正交匹配追踪法，求解出测试图像块的稀疏估计值；然后依据测试图像块稀疏估计值和参考图像块稀疏值，构建比值图像，并对其进行中值滤波处理，得到SAR图像变化检测结果。该方法存在的不足之处是，采用基于字典学习，正交匹配追踪求解稀疏值的线性分类方法，对于非线性分布的像素点无法很好地分类，影响分类结果。

西安电子科技大学在其申请的专利文献“基于最大边缘度量学习的SAR图像变化检测方法”(专利申请号CN201810736484.4，公开号CN108846381A)中公开了一种基于最大边缘度量学习的SAR图像变化检测方法。该方法先输入变化前后遥感图像采用链式结构构建全部样本，构建包含全部边界的训练样本，然后利用训练样本构建正负约束对作为输入，建立结构化的支撑矢量机模型获得映射矩阵，其次利用分解后的映射矩阵将全部样本映射到特征空间，在特征空间对全部样本进行SAR图像变化检测分类。该方法存在的不足之处是，时相和差异图样本采取链式拼接，不能很好的提取时相图和差异图像素之间的信息，反而增加训练时间，鲁棒性较差，导致变化检测结果图中的噪声点较多。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于深度共享表示的SAR图像变化检测方法，用于解决线性分类无法对非线性分布像素点进行准确分类，不能很好提取时相图和差异图像素之间的信息的问题。

实现本发明目的的思路是，构建三个深度神经网络网络来提取时相图和差异图的特征，利用深度神经网络对训练样本映射，提取后的特征能够对非线性分布的像素进行很好的分类；对深度神经网络映射结果进行广义相关分析，学习共享表示矩阵，利用共享矩阵能实现对两张时相图与差异图之间的信息融合；然后用训练好的神经网络对训练样本和测试样本进行映射，最后用支持向量机对映射结果进行分类，得到SAR图像变化检测结果。

本发明的具体实施步骤如下：

(1)构建两个时相图像的差异图：