CN106023154B - 基于双通道卷积神经网络的多时相sar图像变化检测方法 - Google Patents

Abstract

本发明涉及一种基于双通道卷积神经网络的多时相SAR图像变化检测方法，深度神经网络通常包括三个模型，分别为：堆叠自编码器、深度置信网络、卷积神经网络。本发明使用卷积神经网络(Convolutional Neural Network，CNN)的训练方式，先构造两个结构相同CNN模型，随机挑选部分样本点，并人为标定这些样本点的变化检测结果，将这些样本点和标定检测结果作为训练CNN的训练数据。再使用训练好的CNN对未分类样本进行变化检测获得最终的变化检测结果。

Description

基于双通道卷积神经网络的多时相SAR图像变化检测方法

技术领域

本发明属于多时相SAR图像变化检测方法，涉及一种基于双通道卷积神经网络的多时相SAR图像变化检测方法。

背景技术

多时相SAR图像变化检测的常用技术是先将两个时相的SAR图像分别取对数再进行差分，然后将差分图以像素点为单位进行二分类；或者先对SAR图像进行分割，再以分割后的对象作为基本单位对其进行二分类。在现有技术中，提取哪些特征来进行分类，通常由人为设定，往往会导致图像本身含有的许多信息被忽略，使得检测结果不够精确。

深度神经网络通过逐层训练的方式自主提取图像特征，有效地解决了人为提取特征过程中信息遗漏的问题，其中的卷积神经网络已经丰富的应用到了图像处理中。但是，目前在多时相SAR图像变化检测方面，使用卷积神经网络算法尚未取得很好的检测结果，未能有效发挥深度神经网络在处理大数据方面的优势。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于双通道卷积神经网络的多时相SAR图像变化检测方法，将卷积神经网络技术运用到多时相SAR图像变化检测领域以解决现有技术中检测精确度不高等的问题。

技术方案

一种基于双通道卷积神经网络的多时相SAR图像变化检测方法，其特征在于步骤如下：

步骤1：对t₁,t₂两个时刻同一地点获取的两幅待检测SAR图像进行了配准、辐射校正及几何校正处理；对处理后的数据进行特征提取，提取方法是：随机提取t₁,t₂时刻两幅SAR图中以每个像素点为中心n×n的图像块作为原始特征，提取原始特征中1-5％作为训练样本，再随机提取总样本数量的1％作为验证样本集，其余样本作为测试样本集；

步骤2：构造两个相同拓扑结构的CNN模型，将每个CNN卷积层输出的结果组合起来，再添加逻辑回归分类器，得到一个新的CNN模型，对这个模型使用上步提取的训练数据进行训练；

所述模型的输入为两个n×n的图像块，其中第一个图像块为t₁时刻SAR图像中提取的n×n图像块，第二个图像块为t₂时刻图像中提取的n×n图像块；

第一个CNN的输入是从t₁时刻SAR图像中提取的图像块；第二个CNN的输入是从t₂时刻SAR图像中提取的图像块；

步骤3、对新的CNN模型进行训练：

对新的CNN模型中每个CNN中的卷积核参数进行调整，训练时以平方和函数作为代价函数，使用BP算法修改卷积核和偏置；

以步骤1中的验证样本集对新的CNN模型进行验证，防止训练过拟合现象的发生，每次训练均需输出验证集结果的误差；

当验证集结果的误差由逐渐变小的趋势变为逐渐变大的趋势时，代表模型的泛化能力减弱，迭代终止训练完成；迭代次数在800次以内；

步骤4：将图像的所有原始特征输入训练好的新的CNN模型中对待测样本进行分类检测，得到最终变化检测结果图。

有益效果

本发明提出的一种基于双通道卷积神经网络的多时相SAR图像变化检测方法，深度神经网络通常包括三个模型，分别为：堆叠自编码器、深度置信网络、卷积神经网络。本发明使用卷积神经网络(Convolutional Neural Network，CNN)的训练方式，先构造两个结构相同CNN模型，随机挑选部分样本点，并人为标定这些样本点的变化检测结果，将这些样本点和标定检测结果作为训练CNN的训练数据。再使用训练好的CNN对未分类样本进行变化检测获得最终的变化检测结果。

附图说明

图1是本发明提出的双通道CNN检测网络的组成结构框图

图2是本发明提出的检测方法流程图

图3是本发明提出的中两个CNN合并的方式

具体实施方式

现结合实施例、附图对本发明作进一步描述：

实施方式具体步骤如下：

步骤1、选取训练样本

设时刻t₁,t₂为两个不同时刻，同一波段上对同一地点获取分别在t₁,t₂时刻的两幅SAR图像X₁,X₂，且X₁,X₂已经经过配准和辐射校正及几何校正。

设X₁,X₂两幅SAR图像的尺寸为p×q，对两幅图像的每个坐标点(i,j)，其中n表示分别提取两幅图像中以此坐标点为中心的一个n×n邻域作为一对相对应的图像块，例如9×9的像素，将这两个n×n的图像块(称为：图像块对)和作为一个样本Tr(i,j)的原始特征，分别作为两个CNN相应的输入信号，真实变化检测结果图中坐标点(i,j)的像素值作为该样本的教师信号。

随机提取两幅图像像素的总样本数量的一小部分，例如1％-5％作为训练样本集，其中X₁,X₂中所取到的应该是对应的像素点。再随机提取总样本数量的另一小部分，例如1％作为验证样本集，其中X₁,X₂中所取到的应该是对应的像素点。其余样本作为测试样本集。

步骤2、构建双通道CNN模型的网络结构

普通的CNN是由多个卷积层和池化层(即pooling层)组成，在本模型中对CNN进行了改进，所述CNN仅仅使用了卷积层。卷积层是通过不同的卷积核对每层输入进行卷积操作，对于不同的卷积核，输入图像的响应强度会不同。在卷积结束后再经过激励函数就可得到下一层的输入。本发明中采用激励函数f(x)是限制线性单元(Rectified Linear Units，ReLu)，其数学表达式为：

f(x)＝max(0,x)

构造两个具有相同拓扑结构的CNN，即两个CNN层数相同，对应每层的功能相同，对应的每个卷积层具有相同尺寸、相同个数的卷积核。在本发明中，每一层的激励函数为ReLu，最后一个卷积层不使用激励函数。本实施例中，每个CNN中卷积层的个数为5，每一层卷积层的卷积核大小为3×3，每层卷积核数量为先递增后递减，最多不超过100个卷积核。

对X₁,X₂中的某个坐标点(i,j)，其中网络的输入是步骤1中提取的两个n×n的图像块，并且第一个CNN只处理t₁时刻SAR图像中提取的原始特征第二个CNN只处理由t₂时刻SAR图像中提取的原始特征

在两个CNN的最后一个卷积层后添加一个全连接层，将两个CNN连接起来，并通过该全连接层将提取出的结果进行合并(合并方式如图3所示)，再通过逻辑回归分类器对SAR图像进行检测。

步骤3、对网络进行训练

将训练样本集的原始特征送入CNN依据逻辑回归分类器的输出对图像进行分类，计算网络分类结果与训练样本集教师信号的误差。因为训练样本较多，所以采用分批次(batch)训练。分块时，将所有样本集的顺序随机打乱，再把每m个样本放在一起作为一个batch。计算误差时，定义代价函数c为平方和函数：其中，m表示batch的大小，一般取20-100个图像块对，t_i表示第i个图像块对相应的教师信号，z_i表示经网络运算后输出第i个图像块对的检测结果值。

使用误差的反向传播算法对双通道CNN模型进行训练，计算代价函数c对权值W₁、卷积核W₂及偏置b的偏导数，然后对权值、卷积核和偏置进行调整：其中下标old表示旧的取值，下标new表示新的取值，η为学习率。在本实施例中η＝0.01。

其中最后一层逻辑回归层的误差传回全连接层，全连接层把误差分成两部分传递给两个CNN；全连接层中来自第一个CNN模型的节点将误差传回第一个CNN模型，来自第二个CNN模型的节点将误差传回第二个CNN模型。

步骤4、选取验证集进行验证

使用步骤1提取的验证集对训练结果进行验证，需要注意的是，在网络训练完成前，验证集不会改变，并且要求验证集与训练集的样本不重合。验证集的作用是为了防止训练过拟合的情况。在每一次训练完成后，可求得验证集样本的误差。

步骤5、判断终止条件

由于训练样本集的误差会随着迭代次数的增加而逐渐减小，验证样本集的误差会先减小后增大，在本发明中，选取训练终止条件为：当验证集的误差开始从由逐渐减小变成逐渐增大时，认为整个网络已经开始过拟合，此时即可停止训练；否则返回步骤3。通常迭代次数在800次以内。

步骤6、分类

训练终止后，就可以利用训练好的基于CNN的检测网络对待测样本进行检测，得到最终变化检测结果图。

Claims (1)

1.一种基于双通道卷积神经网络的多时相SAR图像变化检测方法，其特征在于步骤如下：

步骤1：选取训练样本

设时刻t₁,t₂为两个不同时刻，分别在t₁,t₂时刻获取同一地点的两幅SAR图像X₁,X₂，且X₁,X₂已经经过配准、辐射校正及几何校正；

设X₁,X₂两幅SAR图像的尺寸为p×q，对于两幅图像的某个坐标点(i,j)，其中n表示分别提取两幅图像中以此坐标点为中心的两个n×n邻域的大小，这两个n×n邻域形成一对相对应的n×n图像块，也称为图像块对，将两个相对应的n×n图像块和作为一个样本Tr(i,j)的原始特征，并分别作为两个CNN相应的输入信号，真实变化检测结果图中坐标点(i,j)的像素值作为该样本的教师信号；其中n＝9；

随机提取两幅图像像素的总样本数量的一小部分1％-5％作为训练样本集，其中X₁,X₂中所取到的应该是对应的像素点；再随机提取总样本数量的另一小部分1％作为验证样本集，其中X₁,X₂中所取到的应该是对应的像素点；其余样本作为测试样本集；

步骤2：构建双通道CNN模型的网络结构

普通的CNN是由多个卷积层和池化层组成，在模型中对CNN进行了改进，所述CNN仅仅使用了卷积层；卷积层是通过不同的卷积核对每层输入进行卷积操作，对于不同的卷积核，输入图像的响应强度会不同；在卷积结束后再经过激励函数就可得到下一层的输入，采用的激励函数f(x)是限制线性单元，其数学表达式为：

f(x)＝max(0,x)

构造两个具有相同拓扑结构的CNN，即两个CNN层数相同，对应每层的功能相同，对应的每个卷积层具有相同尺寸、相同个数的卷积核；每一层的激励函数为ReLu，最后一个卷积层不使用激励函数；每个CNN中卷积层的个数为5，每一层卷积层的卷积核大小为3×3，每层卷积核数量为先递增后递减，最多不超过100个卷积核；

对于X₁,X₂中的某个坐标点(i,j)，其中网络的输入是步骤1中提取的两个n×n的图像块，并且第一个CNN只处理t₁时刻SAR图像中提取的原始特征第二个CNN只处理t₂时刻SAR图像中提取的原始特征

在两个CNN的最后一个卷积层后添加一个全连接层，将两个CNN连接起来，并通过该全连接层将提取出的结果进行合并，再通过逻辑回归分类器对SAR图像进行检测；

步骤3、对网络进行训练

将训练样本集的原始特征送入CNN，依据逻辑回归分类器的输出对图像进行分类，计算网络分类结果与训练样本集教师信号的误差；因为训练样本较多，所以采用分批次训练；分块时，将所有样本集的顺序随机打乱，再把每m个样本放在一起作为一个批次；计算误差时，定义代价函数c为平方和函数：，其中，m表示批次的大小，取20-100个图像块对，t_i′表示第i′个图像块对相应的教师信号，z_i′表示经网络运算后输出的第i′个图像块对的检测结果值；

使用误差的反向传播算法对双通道CNN模型进行训练，计算代价函数c对权值W₁、卷积核W₂及偏置b的偏导数，然后对权值、卷积核和偏置进行调整：其中下标old表示旧的取值，下标new表示新的取值，η为学习率，η＝0.01；

其中最后一层逻辑回归层的误差传回全连接层，全连接层把误差分成两部分传递给两个CNN；全连接层中来自第一个CNN模型的节点将误差传回第一个CNN模型，来自第二个CNN模型的节点将误差传回第二个CNN模型；

步骤4：选取验证集进行验证

使用步骤1提取的验证集对训练结果进行验证，在每一次训练完成后，可求得验证集样本的误差；当验证集的误差开始从逐渐减小变成逐渐增大时，认为整个网络已经开始过拟合，此时即可停止训练；否则返回步骤3；迭代次数在800次以内；

步骤5：分类

训练终止后，就可以利用训练好的基于CNN的检测网络对待测样本进行检测，得到最终变化检测结果图。