CN107256409A - 基于sae和显著性检测的高分辨sar图像变化检测方法 - Google Patents
基于sae和显著性检测的高分辨sar图像变化检测方法 Download PDFInfo
- Publication number
- CN107256409A CN107256409A CN201710365433.0A CN201710365433A CN107256409A CN 107256409 A CN107256409 A CN 107256409A CN 201710365433 A CN201710365433 A CN 201710365433A CN 107256409 A CN107256409 A CN 107256409A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- layer
- feature
- training dataset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
基于SAE和显著性检测的高分辨SAR图像变化检测方法，从两幅配准后的同一地区、不同时相的SAR图像中提取不同大小的图像块作为第一训练数据集和第二训练数据集；分别将两个训练数据集归一化到[0，1]之间；分别构建两个三层堆栈自编码网络，确定网络每一层的特征数并随机初始化权重和偏置，将两个归一化训练数据集分别送入三层堆栈自编码网络，训练得到每一层的权重、偏置；将两幅图像分别送入训练好的网络，得到两幅图像的特征；在特征域得到两幅图像的差异性，并对差异性通过阈值法确定出阈值分割差异图，分别得到显著性区域；结合两个显著性区域得到最终显著性区域，通过聚类算法得到最终变化检测结果。本发明有效提高了检测精度。
Description
技术领域
本发明属于深度学习与遥感图像处理相结合的领域，具体涉及一种基于SAE和显著性检测的高分辨SAR图像变化检测方法，借助深度神经网络模型，具有较高的检测精度。
背景技术
基于遥感影像的变化检测，就是从不同时间获取的同一地理区域多时相遥感影像中，定性或定量地分析确定地表变化特征及变化过程的技术。由于变化检测技术可以检测出遥感影像的局部纹理变化信息以及辐射值，因而在资源和环境监测方面，能够检测出土地的利用率以及土地的覆盖状况、森林以及植被的覆盖率、城市的扩张状况等；而在农业调查方面，该技术能够及时地更新地理空间数据，继而了解某一地理区域内农作物的生长状况等；同时该技术对于自然灾害的监测和估计，以及在军事等领域中也有着重要作用。
经典的SAR图像变化检测方法有：(1)基于简单代数运算的变化检测，经典的包括图像差值法、图像比值法以及对数比值法；(2)基于图像变换的变化检测，经典的包括主成分分析、变化向量分析法、相关分析法图像变换法；(3)基于图像分类的变化检测方法。
近年来对SAR影像变化检测的研究得到了广泛的关注，国内外诸多优秀团队对其进行了广泛而细致的研究。在经典变化检测算法的基础上，深度学习在SAR图像变化检测领域的研究，主要是通过一些标记的数据训练深度神经网络，在特征域对图像分析得到变化检测结果。
目前的SAR变化检测算法大部分为中低分辨率、象元级、单极化的SAR影像变化检测。随着SAR技术的日益成熟，图像质量逐渐提高，分辨率逐渐增强，获取数据的能力和精度越来越高，图像获取越来越便捷，SAR变化检测的前景更加广泛。
发明内容
本发明的目的在于针对上述现有技术中的问题，提供一种基于SAE和显著性检测的高分辨SAR图像变化检测方法，通过SAE获得显著性区域，再对显著性区域利用聚类法获得最终变化检测结果，进而避免SAR图像的噪声影响，增大可处理图像的尺寸，提高检测精度。
为了实现上述目的，本发明采用的技术方案包括以下步骤：
1)从两幅配准后的同一地区、不同时相的SAR图像中提取不同大小的图像块分别作为第一训练数据集D1和第二训练数据集D2；
2)分别将第一训练数据集D1和第二训练数据集D2归一化到[0，1]之间，得到第一归一化训练数据集N1和第二归一化训练数据集N2；
3)分别构建第一三层堆栈自编码网络和第二三层堆栈自编码网络，确定两个网络每一层的特征数并随机初始化权重和偏置，将第一归一化训练数据集N1和第二归一化训练数据集N2分别送入第一三层堆栈自编码网络和第二三层堆栈自编码网络，采用逐层贪婪训练法进行训练，得到每一层的权重、偏置；将两幅图像分别送入训练好的网络，得到两幅图像的特征；
4)在特征域得到两幅图像的差异性，并对差异性通过阈值法确定出阈值分割差异图，分别得到不同大小的第一显著性区域和第二显著性区域；
5)结合第一显著性区域和第二显著性区域得到最终显著性区域，并对提取到的最终显著性区域通过聚类算法得到最终变化检测结果。
步骤1)通过滑窗的方式从两幅SAR图像中取41×41大小的图像块作为第一训练数据集D1，从两幅SAR图像中取51×51大小的图像块作为第二训练数据集D2。
构建第一三层堆栈自编码网络的步骤包括：
3-1a.设置第一层特征数3362，第二层特征数1681，第三层特征数840；
3-1b.定义自编码网络中每层的输入为input，重构结果为output，定义损失函数为：
在第一归一化训练数据集N1中选择样本送入到第一层网络中，通过最小化损失函数训练网络得到第一层特征；将得到的第一层特征作为输入数据送入到第二层网络中，同理得到第二层特征；将得到的第二层特征作为输入数据送入到第三层网络中，得到最深层特征；
3-1c.将第一归一化训练数据集N1送入步骤3-1b训练好的自编码网络中，得到图像特征。
步骤4)将步骤3-1c得到的两幅图像特征F1、F2作差得到第一特征差异图S1：
S1＝|F1|-|F2|
在第一特征差异图S1上通过阈值法确定阈值分割差异图，得到两幅SAR图像中图像块大小为41×41的第一显著性区域。
构建第二三层堆栈自编码网络的步骤包括：
3-2a.设置第一层特征数5202，第二层特征数2601，第三层特征数1300；
3-2b.定义自编码网络中每层的输入为input，重构结果为output，定义损失函数为公式为：
在第二归一化训练数据集N2中选择样本送入到第一层网络中，通过最小化损失函数训练网络得到第一层特征；将得到的第一层特征作为输入数据送入到第二层网络中，同理得到第二层特征；将得到的第二层特征作为输入数据送入到第三层网络中，得到最深层特征；
3-2c.将第二归一化训练数据集N2送入步骤3-2b训练好的自编码网络，得到图像特征。
步骤4)将步骤3-2c得到的两幅图像特征F3、F4作差得到第二特征差异图S2：
S2＝|F3|-|F4|
在第二特征差异图S2上通过阈值法确定阈值分割差异图，得到两幅SAR图像中图像块大小为51×51的第二显著性区域。
步骤3)在第一归一化训练数据集N1和第二归一化训练数据集N2中分别选择20％的样本送入第一三层堆栈自编码网络和第二三层堆栈自编码网络。
所述步骤2)的归一化选用线性缩放法或者0均值标准化法。
采用线性缩放法时先求出第一训练数据集D1的第一训练数据集最大值max(D1)以及第二训练数据集D2的第二训练数据集最大值max(D2)；再将第一训练数据集D1和第二训练数据集D2中的每个元素分别除以第一训练数据集最大值max(D1)和第二训练数据集最大值max(D2)，得到第一归一化训练数据集N1和第二归一化训练数据集N2。
所述步骤5)取第一显著性区域和第二显著性区域的并集作为最终显著性区域R；
5a)初始化两个聚类中心V1,V2，随机初始化隶属度矩阵；
5b)计算第i个样本到第j个聚类中心的距离：
5c)根据隶属度公式更新每个样本的隶属度：
其中，μj(xi)为第i个样本对于第j类的模糊隶属度；
5d)根据各个样本的隶属度通过公式更新聚类中心：
其中vj为第j类的聚类中心；
5e)根据公式计算各个样本与其所在类中心的误差平方和：
当聚类中心不再改变或误差平方和不再减少时，达到最优聚类结果，即得到两类；据未变化类特征差异大小将聚类结果分为变化类和未变化类，得到最终的变化检测结果。
与现有技术相比，本发明具有如下的有益效果：由于图像显著性区域不同于其他区域，很容易被注视到，局部区域的较大视觉对比使得显著性检测能够指导变化检测。本发明采用基于图像块的SAE显著性检测，通过SAE的自学习和自训练获取显著性区域，再对显著性区域利用聚类法获得最终变化检测结果，有效避免了SAR图像斑点的噪声影响，增大了可处理图像的尺寸，提高了检测精度。此外，本发明检测方法仅针对显著性区域采用聚类法进行变化检测，有效减少了待检测区域，能够处理较大尺寸的SAR图像。
附图说明
图1本发明检测方法的整体流程图；
图2(a)2009年4月拍摄的第一组实验仿真图，大小为2000*2000；
图2(b)2009年9月拍摄的第一组实验仿真图，大小为2000*2000；
图3本发明方法对第一组仿真实验的检测结果图；
图4(a)为第一组仿真实验通过均值比值生产差异图、KI阈值法分析差异图所得的变化检测结果图；图4(b)为第一组仿真实验通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图；图4(c)为第一组仿真实验通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果图；
图5(a)2009年4月拍摄的第二组实验仿真图，大小为2000*2000；
图5(b)2009年9月拍摄的第二组实验仿真图，大小为2000*2000；
图6本发明方法对第二组仿真实验的检测结果图；
图7(a)为第二组仿真实验通过均值比值生产差异图、KI阈值法分析差异图所得的变化检测结果图；图7(b)为第二组仿真实验通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图；图7(c)为第二组仿真实验通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果图；
图8(a)2009年4月拍摄的第三组实验原始数据构造图，大小为2000*2000；
图8(b)2009年9月拍摄的第三组实验原始数据构造图，大小为2000*2000；
图8(c)为第三组实验数据的变化检测参考图；
图9本发明方法对第三组仿真实验的检测结果图；
图10(a)为第三组仿真实验通过均值比值生产差异图、KI阈值法分析差异图所得的变化检测结果；图10(b)为第三组仿真实验通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图；图10(c)为第三组仿真实验通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
参照图1，本发明高分辨SAR图像变化检测方法的实现步骤如下：
步骤1，构造第一训练数据集D1；通过滑窗的方式从两幅配准后的同一地区、不同时相的SAR图像中取41×41大小的图像块作为第一训练数据集D1，第一训练数据集D1中包括两幅图像的所有数据，其中前一半是图像1的数据，后一半是图像2的数据。
步骤2，将第一训练数据集D1归一化到[0,1]，得到第一归一化训练数据集N1。
常用的归一化方法有：线性缩放法、0均值标准化法。
本实例采用线性缩放法，即先求出数据集D1的最大值max(D1)；再将第一训练数据集D1中的每个元素均除以最大值max(D1)，得到第一归一化训练数据集N1。
步骤3，构建第一三层堆栈自编码网络：
(3a)设置第一层特征数3362，第二层特征数1681，第三层特征数840；
(3b)定义自编码网络中每层的输入为input，重构结果为output，定义损失函数为：
在第一归一化训练数据集N1中选择部分样本送入到第一层网络中，通过最小化损失函数训练网络得到第一层特征；将得到的第一层特征作为输入数据送入到第二层网络中，同理得到第二层特征；将第二层特征作为输入数据送入到第三层网络，得到需要的最深层特征。
(3c)将第一归一化训练数据集N1全部送入到(3b)中训练好的自编码网络中，分别得到两幅图像的特征F1，F2；
步骤4，对步骤3中得到的F1和F2依据公式<2>作差得到特征差异图S1：
S1＝|F1|-|F2| <2>
在特征差异图S1上通过阈值法确定合适的阈值分割差异图，得到第一显著性区域R1；
步骤5，构造第二训练数据集D2，通过滑窗的方式从两幅配准后的同一地区、不同时相的SAR图像中取51×51大小的图像块作为第二训练数据集D2，第二训练数据集D2中包括两幅图像的所有数据，其中前一半是图像1的数据，后一半是图像2的数据。
步骤6，将第二训练数据集D2归一化到[0,1]，得到第二归一化训练数据集N2。
常用的归一化方法有：线性缩放法、0均值标准化法。
本实例采用线性缩放法，即先求出第二训练数据集D2的最大值max(D2)；再将第二训练数据集D2中的每个元素均除以最大值max(D2)，得到第二归一化训练数据集N2。
步骤7，构建第二三层堆栈自编码网络：
(7a)设置第一层特征数5202，第二层特征数2601，第三层特征数1300；
(7b)定义自编码网络中每层的输入为input，重构结果为output，定义损失函数为公式<1>，在第二归一化训练数据集N2中选择部分样本送入到第一层网络中，通过最小化损失函数训练网络得到第一层特征；将得到的第一层特征作为输入数据送入到第二层网络，同理得到第二层特征；将第二层特征作为输入数据送入到第三层网络，得到需要的最深层特征。
(7c)将第二归一化训练数据集N2全部送入到(7b)中训练好的自编码网络中，分别得到两幅图像的特征F3，F4；
步骤8，对步骤7中得到的F3和F4依据公式<4>作差得到特征差异图S2：
S2＝|F3|-|F4| <3>
在特征差异图S2上通过阈值法确定合适的阈值分割差异图，得到第二显著性区域R2；
步骤9，取R1和R2中显著性区域的并集作为最终的显著性区域R，通过模糊C均值聚类(FCM)法对特征差异图进行聚类，具体聚类步骤有：
(9a)初始化两个聚类中心V1,V2，随机初始化隶属度矩阵；
(9b)根据公式<5>计算第i个样本到第j个聚类中心的距离
(9c)根据隶属度公式<6>更新每个样本的隶属度，
其中，μj(xi)为第i个样本对于第j类的模糊隶属度。
(9d)根据各个样本的隶属度通过公式<7>更新聚类中心：
其中vj为第j类的聚类中心。
(9e)根据公式<8>计算各个样本与其所在类中心的误差平方和：
当聚类中心不再改变或者误差平方和不再减少时达到最优聚类结果，即得到两类，依据未变化类特征差异较小，将聚类结果分为变化类和未变化类，得到最终的变化检测结果。
本发明的效果可以通过以下仿真实验进一步说明：
1、仿真参数：
对于具有参考图的实验仿真图，进行定量的变化检测结果分析：
a.计算漏检个数：
统计实验结果图中发生变化的区域像素个数，与参考图中变化区域的像素个数进行对比，将参考图中发生变化但实验结果图中检测为未变化的像素个数，称为漏检个数FN；
b.计算错检个数：
统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为错检个数FP；
c.计算变化类正检个数：
统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把实验结果图和参考图中均为变化的像素个数，称为变化类正检个数TP；
d.计算未变化类正检个数：
统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把实验结果图中和参考图中均为未变化的像素个数，称为未变化类正检个数TN；
e.正确分类的概率PCC：PCC＝(TP+TN)/(TP+FP+TN+FN)
f.衡量检测结果图与参考图一致性的Kappa系数：
Kappa＝(PCC-PRE)/(1-PRE)
其中：PRE＝(TP+FP)×Nc+(FN+TN)×Nu/N2，这里，N表示总像素个数Nc和Nu分别表示实际的变化像素数和未变化像素数。
2.仿真条件：
硬件平台为：Intel(R)Xeon(R)CPU E5-2630，2.40GHz*16，内存为64G。
软件平台为：Tensorflow。
3.仿真内容与结果：
用本发明方法在上述仿真条件下进行实验。
①反应Namibia地区赞比西河流域变化图像，图2(a)和图2(b)的拍摄时间分别为2009年4月2009年9月，大小均为2000×2000。
图3为通过基于SAE和显著性检测的高分辨SAR变化检测结果图；图4(a)通过均值比值生产差异图、KI阈值法分析差异图所得的变化检测结果；图4(b)通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图；图4(c)通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果。从实验结果能够看出，本发明方法的变化检测结果噪声点较少，细节保持相对完整，变化检测效果比较好。
②反应Namibia地区赞比西河流域变化图像2，图5(a)和图5(b)的拍摄时间分别为2009年4月2009年9月，大小均为2000×2000。
图6为通过基于SAE和显著性检测的高分辨SAR变化检测结果图；图7(a)通过均值比值生产差异图、KI阈值法分析差异图所得的变化检测结果；图7(b)通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图；图7(c)通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果。从实验结果可以看出，本发明方法的变化检测结果噪声点较少，变化区域检测较为完整，变化检测效果比较好。
③该组实验数据从Namibia地区相对没有变化的区域中截取背景，在同一场景下截取的其他类别地物作为变化区域放在其中一幅背景中所得，由于该实验为人工添加的变化区域，能够得到其正确类标，图8(a)和图8(b)为待检测两时相图，图8(c)为变化参考图。
图9为通过基于SAE和显著性检测的高分辨SAR变化检测结果图；图10(a)通过均值比值生产差异图、KI阈值法分析差异图所得的变化检测结果；图10(b)通过均值比值生成差异图、GKI阈值法分析差异图所得的变化检测结果图；图10(c)通过均值比值生成差异图、Kmeans聚类分析差异图所得的变化检测结果。从实验结果可以看出，本发明方法的变化区域内部和未变化区域内部检测效果都比较好，几乎没有噪声干扰，变化检测结果与参考图基本一致。表1为本发明方法与三种不同差异图分析方法所得变化检测图的效果指标。
表1 三种已有方法和本发明变化检测的效果对比
| MR_KI | MR_GKI | MR_FCM | Salient_FCM | |
| PCC | 0.939 | 0.961 | 0.960 | 0.981 |
| Kappa | 0.744 | 0.813 | 0.782 | 0.972 |
综上所述，本发明首先通过SAE显著性检测提取显著性区域，再通过对显著性区域采用FCM聚类法将其分割为两类，得到最终的变化检测结果，该方法能够有效的避免SAR图像斑点噪声的影响，增加了可检测图片的尺寸，提高了检测精度。
Claims (10)
1.一种基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于：
1)从两幅配准后的同一地区、不同时相的SAR图像中提取不同大小的图像块分别作为第一训练数据集D1和第二训练数据集D2；
2)分别将第一训练数据集D1和第二训练数据集D2归一化到[0，1]之间，得到第一归一化训练数据集N1和第二归一化训练数据集N2；
3)分别构建第一三层堆栈自编码网络和第二三层堆栈自编码网络，确定两个网络每一层的特征数并随机初始化权重和偏置，将第一归一化训练数据集N1和第二归一化训练数据集N2分别送入第一三层堆栈自编码网络和第二三层堆栈自编码网络，采用逐层贪婪训练法进行训练，得到每一层的权重、偏置；将两幅图像分别送入训练好的网络，得到两幅图像的特征；
4)在特征域得到两幅图像的差异性，并对差异性通过阈值法确定出阈值分割差异图，分别得到不同大小的第一显著性区域和第二显著性区域；
5)结合第一显著性区域和第二显著性区域得到最终显著性区域，并对提取到的最终显著性区域通过聚类算法得到最终变化检测结果。
2.根据权利要求1所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于：步骤1)通过滑窗的方式从两幅SAR图像中取41×41大小的图像块作为第一训练数据集D1，从两幅SAR图像中取51×51大小的图像块作为第二训练数据集D2。
3.根据权利要求2所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于，构建第一三层堆栈自编码网络的步骤包括：
3-1a.设置第一层特征数3362，第二层特征数1681，第三层特征数840；
3-1b.定义自编码网络中每层的输入为input，重构结果为output，定义损失函数为：
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
<mo>&times;</mo>
<munder>
<mi>&Sigma;</mi>
<mi>x</mi>
</munder>
<mo>&lsqb;</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mo>&times;</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>i</mi>
<mi>n</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
在第一归一化训练数据集N1中选择样本送入到第一层网络中，通过最小化损失函数训练网络得到第一层特征；将得到的第一层特征作为输入数据送入到第二层网络中，同理得到第二层特征；将得到的第二层特征作为输入数据送入到第三层网络中，得到最深层特征；
3-1c.将第一归一化训练数据集N1送入步骤3-1b训练好的自编码网络中，得到图像特征。
4.根据权利要求3所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于，步骤4)将步骤3-1c得到的两幅图像特征F1、F2作差得到第一特征差异图S1：
S1＝|F1|-|F2|
在第一特征差异图S1上通过阈值法确定阈值分割差异图，得到两幅SAR图像中图像块大小为41×41的第一显著性区域。
5.根据权利要求2所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于，构建第二三层堆栈自编码网络的步骤包括：
3-2a.设置第一层特征数5202，第二层特征数2601，第三层特征数1300；
3-2b.定义自编码网络中每层的输入为input，重构结果为output，定义损失函数为公式为：
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>s</mi>
<mi>s</mi>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
<mo>&times;</mo>
<munder>
<mi>&Sigma;</mi>
<mi>x</mi>
</munder>
<mo>&lsqb;</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mo>&times;</mo>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>i</mi>
<mi>n</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
在第二归一化训练数据集N2中选择样本送入到第一层网络中，通过最小化损失函数训练网络得到第一层特征；将得到的第一层特征作为输入数据送入到第二层网络中，同理得到第二层特征；将得到的第二层特征作为输入数据送入到第三层网络中，得到最深层特征；
3-2c.将第二归一化训练数据集N2送入步骤3-2b训练好的自编码网络，得到图像特征。
6.根据权利要求5所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于，步骤4)将步骤3-2c得到的两幅图像特征F3、F4作差得到第二特征差异图S2：
S2＝|F3|-|F4|
在第二特征差异图S2上通过阈值法确定阈值分割差异图，得到两幅SAR图像中图像块大小为51×51的第二显著性区域。
7.根据权利要求1所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于：步骤3)在第一归一化训练数据集N1和第二归一化训练数据集N2中分别选择20％的样本送入第一三层堆栈自编码网络和第二三层堆栈自编码网络。
8.根据权利要求1所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于：所述步骤2)的归一化选用线性缩放法或者0均值标准化法。
9.根据权利要求8所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于：采用线性缩放法时先求出第一训练数据集D1的第一训练数据集最大值max(D1)以及第二训练数据集D2的第二训练数据集最大值max(D2)；再将第一训练数据集D1和第二训练数据集D2中的每个元素分别除以第一训练数据集最大值max(D1)和第二训练数据集最大值max(D2)，得到第一归一化训练数据集N1和第二归一化训练数据集N2。
10.根据权利要求1所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于：所述步骤5)取第一显著性区域和第二显著性区域的并集作为最终显著性区域R；
5a)初始化两个聚类中心V1,V2，随机初始化隶属度矩阵；
5b)计算第i个样本到第j个聚类中心的距离：
<mrow>
<msubsup>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>A</mi>
<mn>2</mn>
</msubsup>
<mo>;</mo>
</mrow>
5c)根据隶属度公式更新每个样本的隶属度：
<mrow>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mn>2</mn>
<mrow>
<mi>b</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>...</mo>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
其中，μj(xi)为第i个样本对于第j类的模糊隶属度；
5d)根据各个样本的隶属度通过公式更新聚类中心：
<mrow>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>b</mi>
</msup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>b</mi>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
</mrow>
其中vj为第j类的聚类中心；
5e)根据公式计算各个样本与其所在类中心的误差平方和：
<mrow>
<mi>J</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>b</mi>
</msup>
<msubsup>
<mi>d</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
2
当聚类中心不再改变或误差平方和不再减少时，达到最优聚类结果，即得到两类；据未变化类特征差异大小将聚类结果分为变化类和未变化类，得到最终的变化检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710365433.0A CN107256409B (zh) | 2017-05-22 | 2017-05-22 | 基于sae和显著性检测的高分辨sar图像变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710365433.0A CN107256409B (zh) | 2017-05-22 | 2017-05-22 | 基于sae和显著性检测的高分辨sar图像变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107256409A true CN107256409A (zh) | 2017-10-17 |
| CN107256409B CN107256409B (zh) | 2021-01-01 |
Family
ID=60028180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710365433.0A Active CN107256409B (zh) | 2017-05-22 | 2017-05-22 | 基于sae和显著性检测的高分辨sar图像变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107256409B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447057A (zh) * | 2018-04-02 | 2018-08-24 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
| CN108492298A (zh) * | 2018-04-13 | 2018-09-04 | 西安电子科技大学 | 基于生成对抗网络的多光谱图像变化检测方法 |
| CN108805057A (zh) * | 2018-05-29 | 2018-11-13 | 北京师范大学 | 一种基于联合显著性分析的sar图像油库区检测方法 |
| CN109242889A (zh) * | 2018-08-27 | 2019-01-18 | 大连理工大学 | 基于上下文显著性检测与sae的sar图像变化检测方法 |
| CN113034471A (zh) * | 2021-03-25 | 2021-06-25 | 重庆大学 | 一种基于finch聚类的sar图像变化检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634705A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于方向信息测度的sar图像目标变化检测方法 |
| CN102176014A (zh) * | 2011-01-19 | 2011-09-07 | 西安理工大学 | 一种多时相sar图像城市区域变迁变化检测方法 |
| EP2431764A1 (en) * | 2010-09-17 | 2012-03-21 | BAE Systems PLC | Processing SAR imagery |
| CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
| CN103955926A (zh) * | 2014-04-22 | 2014-07-30 | 西南交通大学 | 基于Semi-NMF的遥感图像变化检测方法 |
| CN105205807A (zh) * | 2015-08-19 | 2015-12-30 | 西安电子科技大学 | 基于稀疏自动编码机的遥感图像变化检测方法 |
-
2017
- 2017-05-22 CN CN201710365433.0A patent/CN107256409B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634705A (zh) * | 2009-08-19 | 2010-01-27 | 西安电子科技大学 | 基于方向信息测度的sar图像目标变化检测方法 |
| EP2431764A1 (en) * | 2010-09-17 | 2012-03-21 | BAE Systems PLC | Processing SAR imagery |
| CN102176014A (zh) * | 2011-01-19 | 2011-09-07 | 西安理工大学 | 一种多时相sar图像城市区域变迁变化检测方法 |
| CN103020978A (zh) * | 2012-12-14 | 2013-04-03 | 西安电子科技大学 | 结合多阈值分割与模糊聚类的sar图像变化检测方法 |
| CN103955926A (zh) * | 2014-04-22 | 2014-07-30 | 西南交通大学 | 基于Semi-NMF的遥感图像变化检测方法 |
| CN105205807A (zh) * | 2015-08-19 | 2015-12-30 | 西安电子科技大学 | 基于稀疏自动编码机的遥感图像变化检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| BO DU ETAL.: "Stacked Convolutional Denoising Auto-Encoders for Feature Representation", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
| 王文杰等: "面向对象特征融合的高分辨率遥感图像变化检测方法", 《计算机应用研究》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447057A (zh) * | 2018-04-02 | 2018-08-24 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
| CN108447057B (zh) * | 2018-04-02 | 2021-11-30 | 西安电子科技大学 | 基于显著性和深度卷积网络的sar图像变化检测方法 |
| CN108492298A (zh) * | 2018-04-13 | 2018-09-04 | 西安电子科技大学 | 基于生成对抗网络的多光谱图像变化检测方法 |
| CN108492298B (zh) * | 2018-04-13 | 2021-11-09 | 西安电子科技大学 | 基于生成对抗网络的多光谱图像变化检测方法 |
| CN108805057A (zh) * | 2018-05-29 | 2018-11-13 | 北京师范大学 | 一种基于联合显著性分析的sar图像油库区检测方法 |
| CN108805057B (zh) * | 2018-05-29 | 2020-11-17 | 北京师范大学 | 一种基于联合显著性分析的sar图像油库区检测方法 |
| CN109242889A (zh) * | 2018-08-27 | 2019-01-18 | 大连理工大学 | 基于上下文显著性检测与sae的sar图像变化检测方法 |
| CN109242889B (zh) * | 2018-08-27 | 2020-06-16 | 大连理工大学 | 基于上下文显著性检测与sae的sar图像变化检测方法 |
| CN113034471A (zh) * | 2021-03-25 | 2021-06-25 | 重庆大学 | 一种基于finch聚类的sar图像变化检测方法 |
| CN113034471B (zh) * | 2021-03-25 | 2022-08-02 | 重庆大学 | 一种基于finch聚类的sar图像变化检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107256409B (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107256409A (zh) | 基于sae和显著性检测的高分辨sar图像变化检测方法 | |
| Wang et al. | A new attention-based CNN approach for crop mapping using time series Sentinel-2 images | |
| CN104751185B (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
| CN103955926B (zh) | 基于Semi-NMF的遥感图像变化检测方法 | |
| CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
| CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
| CN107239795A (zh) | 基于稀疏自编码器和卷积神经网络的sar图像变化检测***及方法 | |
| CN109242889A (zh) | 基于上下文显著性检测与sae的sar图像变化检测方法 | |
| CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
| CN102982338A (zh) | 基于谱聚类的极化sar图像分类方法 | |
| CN105956612A (zh) | 基于主动学习和半监督学习的高光谱图像分类方法 | |
| CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
| Moola et al. | Vegetable mapping using fuzzy classification of Dynamic Time Warping distances from time series of Sentinel-1A images | |
| Latinne et al. | Adjusting the outputs of a classifier to new a priori probabilities may significantly improve classification accuracy: Evidence from a multi-class problem in remote sensing | |
| CN104463227B (zh) | 基于fqpso和目标分解的极化sar图像分类方法 | |
| CN109829494A (zh) | 一种基于加权相似性度量的聚类集成方法 | |
| CN104408731B (zh) | 基于区域图和统计相似性编码的sar图像分割方法 | |
| Rakwatin et al. | Using multiscale texture information from ALOS PALSAR to map tropical forest | |
| CN106097290A (zh) | 基于nmf图像融合的sar图像变化检测方法 | |
| CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
| CN104408472A (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
| Denton et al. | Multi-scalar analysis of geospatial agricultural data for sustainability | |
| Tous et al. | Deep neural networks for earthquake detection and source region estimation in north‐central Venezuela | |
| Guo et al. | A framework for supervised image classification with incomplete training samples | |
| CN105023239B (zh) | 基于超像素和最大边界分布的高光谱数据降维方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |