[发明专利]一种基于SAR深度全卷积神经网络的影像变化检测方法

说明书

发明公开了一种基于SAR深度全卷积神经网络的影像变化检测方法，包括以下步骤：步骤S1，构建DFCN神经网络，步骤S2，训练所述DFCN神经网络，步骤S3，输入测试影像数据，步骤S4，利用训练好的所述DFCN神经网络输出所述测试影像变化检测结果；本方法中通过利用ELU激活函数以及批量归一法有效地保证在深度神经网络中各输入数据统计分布的一致性，解决了神经网络模型训练的梯度消失以及弥散问题；通过利用深度学习和特征堆叠，能够对不同时相SAR影像间的差异性特征进行较为充分并且精细地描述，并且有效地降低在传统学习方法中因人工设计特征的不完备性；有效地解决由SAR固有相干斑噪声引起的误检问题，实现了变化类和非变化类的高精度分割。

技术领域

本发明涉及遥感影像变化检测技术领域，特别涉及一种基于SAR深度全卷积神经网络的影像变化检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)遥感变化检测的主要目的是利用覆盖同一地理位置、不同时相遥感影像的信息差异来获取地表地物的变化，已被广泛地应用于土地利用变化监测、灾害评估、农作物生长状况等监测；对于自然资源监测、灾害评估、农业资源调查、通信瘫痪等领域具有重要的实际应用价值，传统SAR变化检测方法有差异图分析法、分类后比较法等。

差异图分析法通常在计算不同时相影像的差异图后，再对差异图进行变化/非变化区域的分类，差异图计算能够利用的影像信息较为单一(辐射信息、或统计信息)，但SAR遥感影像场景中往往包含繁杂的地物类型、变化各异，不同差异图计算方法只对特定的变化类型较优，没有一种差异图可以一次性很好地描述出各种变化；同时，受SAR影像相干斑噪声及分类算法本身的影响，差异图的分类结果也存在很大的不确定性，因此，差异图分析法依赖于差异图的质量和差异图的分割精度；而分类后比较法，是分别对不同时相影像分类后再对分类结果进行对比分析，同样地，分类精度直接影响了变化检测精度。

近年来，深度学习技术重新成为计算机视觉和人工智能领域的最热门技术。它将影像特征学习和数据处理任务(如影像分类、分割等)结合在一起，提供了一种端对端的“一站式”数据处理方式，特征学习融合在网络模型的训练过程中，降低了人工设计特征的专业知识门槛，而且减少了人工设计特征的不完备性；通过构建深度合理的神经网络、设置一定数量的卷积核个数，可以挖掘潜藏在影像中的大量特征表达，充分学习不同时相影像间存在的差异性特征，便于提高变化的检测精度。因此，利用深度学习技术进行SAR影像变化检测具有重要的理论研究价值，国内外学者曾将受限玻尔兹曼机(Restricted BoltzmannMachines，RBMs)和卷积神经网络(Convolutional Neural Networks，CNN)应用于SAR变化检测；利用RBMs进行影像处理，需要将栅格影像向量化，易产生影像像素间上下文信息的丢失，而利用CNN进行变化检测时，需要取每个像素点为中心、一定滑窗大小的影像块输入CNN来判断该像素点的所属类别；这就导致相邻像点的滑动窗口存在大量冗余计算、计算耗时长、占用存储开销大；而且影像块大小的确定直接限制了神经元的感知性能，影像块太小容易丢失上下文信息，反之太大则产生大量的冗余计算，然而，全卷积神经网络(FullyConvolutional Neural Network，FCN)利用反卷积层代替CNN中的全连接层，能够直接从抽象的影像特征中恢复判别影像每个像素所属类别的能力，大幅提高运算效率，且有利于提升影像的分割性能。

发明内容

(一)发明目的

基于此为克服上述现有技术存在的至少一种缺陷，本申请提供了一种基于SAR深度全卷积神经网络的影像变化检测方法，通过人工解译判读获得训练样本集训练DFCN神经网络，实现影像的变化/非变化的检测结果输出，本发明公开了以下技术方案。

(二)技术方案

本发明公开了一种基于SAR深度全卷积神经网络的影像变化检测方法，包括以下步骤：

S1、构建DFCN神经网络；