CN108171119A - 基于残差网络的sar图像变化检测方法 - Google Patents

基于残差网络的sar图像变化检测方法 Download PDF

Info

Publication number
CN108171119A
CN108171119A CN201711293506.6A CN201711293506A CN108171119A CN 108171119 A CN108171119 A CN 108171119A CN 201711293506 A CN201711293506 A CN 201711293506A CN 108171119 A CN108171119 A CN 108171119A
Authority
CN
China
Prior art keywords
pixel
synthetic aperture
aperture radar
residual error
sar image
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
Application number
CN201711293506.6A
Other languages
English (en)
Other versions
CN108171119B (zh
Inventor
朱虎明
寇佳宁
焦李成
王坤
公茂果
缑水平
张小华
马晶晶
马文萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201711293506.6A priority Critical patent/CN108171119B/zh
Publication of CN108171119A publication Critical patent/CN108171119A/zh
Application granted granted Critical
Publication of CN108171119B publication Critical patent/CN108171119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于残差网络的SAR图像变化检测方法，主要解决现有方法中SAR图像变化检测的检测精度不高、对噪声抑制不够明显的问题。本发明的具体步骤如下：(1)构造训练标签集；(2)构造训练数据集；(3)构造残差变化检测网络；(4)训练残差变化检测网络；(5)生成检测数据集；(6)获取特征向量集；(7)输出变化检测结果图。本发明构造了一个7层的残差变化检测网络，提取了合成孔径雷达SAR图像像素点邻域特征，具有降低了合成孔径雷达SAR图像变化检测的噪声和提高了合成孔径雷达SAR图像变化检测精度的优点。

Description

基于残差网络的SAR图像变化检测方法
技术领域
本发明属于图像处理技术领域，更进一步涉及遥感图像变化检测技术领域中的一种基于残差网络的合成孔径雷达SAR(Synthetic Aperture Radar)图像变化检测方法。本发明可对两幅不同时相获取的SAR图像的地物变化区域进行检测，可在地物覆盖与利用、自然灾害监测与评估，城市规划，地图更新等领域进行SAR图像的变化检测。
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灾害检测、城市规划、全球气温变化检测等诸多领域。经典的合成孔径雷达SAR图像变化检测过程如下：1)输入两张经过预处理后的合成孔径雷达SAR图像。2)使用差异算子构造差异图。3)对差异图的像素点进行二聚类，根据聚类结果产生变化检测结果图。但由于经典的SAR图像变化检测算法在构造差异图的过程中，丢失了图像的像素值信息，导致检测结果错检率较高。深度学习的变化检测算法，避免构造差异图的过程，直接通过有监督的提取SAR图像像素值的差异特征，错检率较低。
西安电子科技大学在其申请的专利文献“基于稀疏自动编码机的遥感图像变化检测方法”(专利申请号201510512145.4，公开号：CN105205807A)公开了一种基于稀疏自动编码机的遥感图像变化检测方法。该方法读入两幅合成孔径雷达SAR图像，利用对数比值算子构造出一幅差异图，其次提取差异图中每个像素点的邻域信息对稀疏自编码机进行无监督的训练，随后使用稀疏自动编码机对差异图每个像素点的像素值进行特征提取，并使用模糊C均值FCM聚类算法对稀疏自动编码机提取的差异图特征进行分类，得到变化检测结果图。该方法存在的不足之处是，在提取图像差异图特征时，会同时放大差异图噪声，导致变化检测结果图中的噪声点较多。
马骕等人在其发表的论文“结合KI准则与数学形态学滤波的SAR变化检测”(《激光杂志》2017年第38卷第4期)变化检测中提出一种结合KI准则与数学形态学滤波的合成孔径雷达SAR图像变化检测的方法。该方法首先对两幅图像首先利用差值法来构造一幅差异图，其次，使用结合广义高斯模型的基于最小错误率的贝叶斯理论的阈值算法对差异图进行分割，利用不同形状大小的结构元素对阈值算法的分割结果进行二值形态学滤波，得出变化检测结果图。但是，该方法仍然存在不足之处是，该方法使用差值法来构造一幅差异图，丢失了图像的像素值信息，其次，该方法没有考虑两幅合成孔径雷达SAR图像像素点的邻域信息，使得检测结果图中变化区域与为变化区域的边缘检测效果较差，变化检测结果中误检和漏检的像素点较多，导致检测结果的全局错误数较多。
发明内容
本发明的目的在于针对上述现有技术的不足，提出了一种基于残差网络的合成孔径雷达SAR图像变化检测方法。本发明与现有技术中其他合成孔径雷达SAR图像变化检测技术相比，构造了一个7层的残差变化检测网络，提取了合成孔径雷达SAR图像像素点邻域特征，使用模糊C均值FCM对残差网络输出的特征向量集进行变化检测，降低了合成孔径雷达SAR图像变化检测的噪声，提高了合成孔径雷达SAR图像变化检测精度。
本发明实现上述目的的思路是：首先利用局部邻域信息的模糊C均值FLCIM算法构造训练标签集，根据训练标签集构造训练数据集，然后构造一个7层的残差变化检测网络，使用训练标签集和数据集训练残差变化检测网络，随后生成检测数据集，输入到训练好的残差变化检测网络中，提取合成孔径雷达SAR图像的特征向量集，最后使用模糊C均值FCM算法对特征向量集进行变化检测，得到变化检测结果图。
本发明实现的具体步骤包括如下：
(1)构造训练标签集：
(1a)利用对数比值算子公式，计算两幅同一地区不同时相的合成孔径雷达SAR图像差异图中的每个像素值；
(1b)确定两幅合成孔径雷达SAR图像对应像素点的空间坐标位置；
(1c)根据两幅合成孔径雷达SAR图像的对应像素点的空间坐标位置和差异图中的像素值，构建一幅差异图；
(1d)利用局部邻域信息的模糊C均值FLICM算法，将差异图的所有像素值分为两类，得到标签集；
(1e)从标签集随机选择标签集数量的40％作为训练标签集，并确定训练标签集中每个标签值在差异图中的空间坐标位置；
(2)构造训练数据集：
(2a)将两幅合成孔径雷达SAR图像中所有与训练标签集在差异图中的空间位置对应的像素点周围的5×5邻域像素值作为训练样本；
(3)构造残差变化检测网络：
(3a)搭建一个7层残差变化检测网络，网络的结构为：输入层→卷积层→第一池化层→残差块→第二池化层→输出层，残差块包含残差和两个卷积层；
(3b)将卷积层、残差块的特征映射图总数设置为32个，与卷积层、残差块对应滤波器的尺寸设置为3×3个像素；第一池化层和第二池化层的操作方式使用最大池化方式，将输出层的神经元个数设为2；
(4)训练残差变化检测网络：
(4a)将训练数据集和标签集输入到搭建好的残差变化检测网络中，训练残差变化检测网络，得到训练好的残差变化检测网络；
(5)生成检测数据集：
(5a)将两幅合成孔径雷达SAR图像中所有像素点周围的5×5邻域像素值作为检测数据集，并确定每个像素点在合成孔径雷达SAR图像的空间位置；
(6)获取特征向量集：
(6a)将检测数据集输入到训练好的残差变化检测网络输入层，残差变化检测网络输出层输出特征向量集；
(7)输出变化检测结果图：
(7a)利用模糊C均值FCM算法，将特征向量集分为两类；
(7b)用变化结果图像像素点的像素值与两幅合成孔径雷达SAR图像对应像素点的空间坐标位置，构建一幅变化检测结果图。
本发明与现有技术相比具有以下优点：
第一，由于本发明搭建一个7层残差变化检测网络，网络中使用卷积层、池化层、残差块，卷积层、残差块的特征映射图总数设置为32个，与卷积层、残差块对应滤波器的尺寸设置为3×3个像素，第一池化层和第二池化层的操作方式使用最大池化方式，来进行合成孔径雷达SAR图像变化检测，克服了现有技术中，在提取图像差异图特征时，会同时放大差异图噪声，导致变化检测结果图中的噪声点较多的问题，使得本发明有利于降低SAR图像变化检测结果的噪声点。
第二，由于本发明利用模糊C均值FCM算法对残差网络输出的特征向量集进行变化检测，克服了现有技术中没有考虑两幅合成孔径雷达SAR图像像素点的邻域信息，使得检测结果图中变化区域与未变化区域的边缘像素点的检测效果较差，变化检测结果的误检和漏检的像素点较多，导致检测结果的全局错误数较多的问题，使得本发明提高了SAR图像变化检测的检测精度。
附图说明
图1是本发明的流程图；
图2是本发明仿真实验中使用的黄河口地区的SAR图像及相应的变化检测参考图；
图3是本发明仿真实验中使用的黄河口地区的SAR图像的变化检测结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，本发明实现的具体步骤如下。
步骤1，构造训练标签集。
利用对数比值算子公式，计算两幅同一地区不同时相的合成孔径雷达SAR图像差异图中的每个像素值。
所述的对数比值算子公式如下：
X＝|log(X1+1)-log(X2+1)|
其中，X表示由两幅同一地区不同时相的合成孔径雷达SAR图像t1和t2构造的差异图像素值，|.|表示绝对值操作，log表示10为底的对数操作，X1表示合成孔径雷达SAR图像t1的像素值，X2表示合成孔径雷达SAR图像t2的像素值。
确定两幅合成孔径雷达SAR图像对应像素点的空间坐标位置。
根据两幅合成孔径雷达SAR图像的对应像素点的空间坐标位置和差异图中的像素值，构建一幅差异图。
利用局部邻域信息的模糊C均值FLICM算法，将差异图的所有像素值分为两类，得到标签集。
所述的局部邻域信息的模糊C均值FLICM算法具体步骤如下：
第1步，按照下式，计算差异图像素点的像素值的模糊因子：
其中，Gkz表示差异图第z个像素点的像素值在第k类聚类中心上的模糊因子，j表示邻域窗口内像素点的序号，Nz表示以差异图第z个像素点为中心的局部邻域窗口像素点集合，∑表示求和操作，dzj表示差异图第z个像素点的像素值与邻域窗口内第j个像素点像素值的欧氏距离，ukj表示邻域窗口内第j个像素点像素值在第k类聚类中心上的隶属度，初始值为随机选择0～1的值，后续按照第2步更新，xj表示邻域窗口内第j个像素点的像素值，vk表示差异图像素点的像素值的第k类聚类中心，初始值为在差异图的像素点的像素值中随机选择像素值，后续按照第3步更新。
第2步，按照下式，计算差异图像素点像素值的隶属度：
其中，r表示差异图像素值聚类中心的序号，r取1或2，Grz表示差异图第z个像素点的像素值在第r类聚类中心上的模糊因子。
第3步，用每个差异图像素点乘以第k类的聚类中心隶属度的平方，将乘积求和，再除以所有k类聚类中心隶属度平方的总和，得到第k类的聚类中心值。
第4步，重复执行第1步、第2步、第3步，直至迭代前后的聚类中心值的最大改变量小于0.0001，将最后一次执行得到的隶属度作为分类特征向量的隶属度。
第5步，将每个像素点像素值的隶属度大于0.5的划为第1类，否则划为第2类。
从标签集随机选择标签集数量的40％作为训练标签集，并确定训练标签集中每个标签值在差异图中的空间坐标位置。
步骤2，构造训练数据集。
将两幅合成孔径雷达SAR图像中所有与训练标签集在差异图中的空间位置对应的像素点周围的5×5邻域像素值作为训练样本。
步骤3，构造残差变化检测网络的网络。
搭建一个7层残差变化检测网络，网络的结构为：输入层→卷积层→第一池化层→残差块→第二池化层→输出层，残差块包含残差和两个卷积层。
将卷积层、残差块的特征映射图总数设置为32个，与卷积层、残差块对应滤波器的尺寸设置为3×3个像素；第一池化层和第二池化层的操作方式使用最大池化方式，将输出层的神经元个数设为2。
步骤4，训练残差变化检测网络。
将训练数据集和标签集输入到搭建好的残差变化检测网络中，训练残差变化检测网络，得到训练好的残差变化检测网络。
步骤5，生成检测数据集。
将两幅合成孔径雷达SAR图像中所有像素点周围的5×5邻域像素值作为检测数据集，并确定每个像素点在合成孔径雷达SAR图像的空间位置。
步骤6，获取特征向量集。
将检测数据集输入到训练好的残差变化检测网络输入层，残差变化检测网络输出层输出特征向量集。
步骤7，输出变化检测结果图。
利用模糊C均值FCM算法，将特征向量集分为两类。
所述的模糊C均值FCM算法具体步骤如下：
第1步，按照下式，计算每个特征向量在聚类中心上的隶属度：
其中，cpa表示第a个特征向量在第p个聚类中心上的隶属度，m表示特征向量聚类中心的序号，m取1或2，hpa表示第a个特征向量与第p个聚类中心的欧氏距离，hma表示第a个特征向量与第m个聚类中心的欧氏距离。
第2步，根据每个特征向量在聚类中心上的隶属度，按照下式，计算特征向量的聚类中心：
其中，vp表示第p个聚类中心，M表示特征向量的个数，ya表示第a个特征向量。
第3步，重复执行第1步、第2步，直到两次执行结果之差的绝对值小于0.0001为止，将最后一次执行得到的隶属度作为分类特征向量的隶属度。
第4步，将特征向量的隶属度大于0.5的划为第1类，该类的变化检测结果图中像素点的像素值为255，其余的划为第2类，该类的变化检测结果图中像素点像素值为0。
用变化结果图像像素点的像素值与两幅合成孔径雷达SAR图像对应像素点的空间坐标位置，构建一幅变化检测结果图。
下面结合仿真实验对本发明的效果做进一步的说明：
1、仿真条件：
本发明的仿真实验是在主频3.20GHz*4的Intel(R)Core(TM)CPU i5-3470、内存12GB的硬件环境和Matlab R2016、TensorFlow 1.3的软件环境下进行的。
本发明的仿真实验使用了两幅合成孔径雷达SAR图像数据。
本发明仿真实验使用的如图2所示的SAR图像数据及相应的变化检测参考图。该是黄河口地区真实的合成孔径雷达SAR图像，图像大小为256×256。其中，图2(a)是2008年6月的黄河口地区真实的合成孔径雷达SAR图像，图2(b)是2009年6月的黄河口地区真实的合成孔径雷达SAR图像，图2(c)是黄河口地区真实的合成孔径雷达SAR图像的仿真图的变化检测参考图。
本发明仿真实验所使用的仿真参数如下：
全局错误数OE：OE＝FP+FN
其中，FP为误检个数，表示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；FN为漏检个数，表示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。
正确分类检测率PCC：PCC＝(TP+TN)/(TP+TN+FP+FN)
其中，TP为真正变化个数，表示参考图中发生变化且实验结果图中检测为变化的像素个数；TN为真正未变化个数，表示参考图中未发生变化且实验结果图中检测为未变化的像素个数。
衡量检测结果图与参考图一致性的系数Kappa：Kappa＝(PCC-PRE)/(1-PRE)，其中：PRE＝[(TP+FP)×(TP+FN)+(TN+FN)×(TN+FP)]/N2，这里，N表示合成一幅孔径雷达SAR图像中像素点总个数。
2、仿真内容与结果分析：
本发明的仿真实验采用本发明方法与三种现有技术(基于模糊C均值FCM的方法、基于局部邻域信息的模糊C均值FLICM的方法、基于稀疏自动编码机的方法)，对图2(a)和图2(b)黄河口地区的SAR图像进行变化检测，并将检测效果进行对比分析。
图3是本发明对黄河地区SAR图像的仿真实验结果图，其中，图3(a)是采用现有技术的基于模糊C均值FCM的方法的仿真结果图；图3(b)是采用现有技术的基于局部邻域信息的模糊C均值FLICM方法的仿真结果图；图3(c)是采用现有技术的基于稀疏自动编码机的方法的仿真结果图；图3(d)是采用本发明方法的仿真结果图。
图2(c)变化检测参考图中黑色区域为未变化区域，白色区域为变化区域，从图3中可以看出，与现有三种方法相比，本发明方法的仿真结果图在黑色区域的白色噪声斑点较少，且白色变化区域与黑色未变化区域的边缘的检测效果更加清晰。
表1是本发明的仿真实验采用三种现有技术和本发明方法对全局错误数OE、正确率PCC和Kappa系数进行对比的统计表。
表1仿真图像变化检测结果比较一览表
表1中的“FCM”表示采用基于模糊C均值聚类的FCM方法类型、表1中的“FLICM”表示采用基于局部邻域信息的模糊C均值FLICM方法类型、表1中的“SAE-FCM”表示采用基于稀疏自动编码机的方法类型，表1中的“Resnet-FCM”表示本发明采用的基于残差网络的方法类型。从表1中可以看出，本发明方法的全局错误数OE为3651，变化检测正确率PCC为0.9443，衡量检测结果图与参考图一致性的系数Kappa为0.8194。FCM类型方法的全局错误数OE为5937，变化检测正确率PCC为0.9094，衡量检测结果图与参考图一致性的系数Kappa为0.7364。FLICM类型方法的全局错误数OE为4351，变化检测正确率PCC为0.9336，衡量检测结果图与参考图一致性的系数Kappa为0.7948。SAE-FCM类型方法的全局错误数OE为12127，变化检测正确率PCC为0.8150，衡量检测结果图与参考图一致性的系数Kappa为0.5648。由此可见，本发明方法的全局错误数OE都低于现有技术的其他三种对比方法，衡量检测结果图与参考图一致性的系数Kappa高于其他三种对比方法，检测效果良好。

Claims (4)

1.一种基于残差网络的合成孔径雷达SAR图像变化检测方法，其特征在于，包括如下步骤：
(1)构造训练标签集：
(1a)利用对数比值算子公式，计算两幅同一地区、不同时相的合成孔径雷达SAR图像差异图中的每个像素值；
(1b)确定两幅合成孔径雷达SAR图像对应像素点的空间坐标位置；
(1c)根据两幅合成孔径雷达SAR图像的对应像素点的空间坐标位置和差异图中的像素值，构建一幅差异图；
(1d)利用局部邻域信息的模糊C均值FLICM算法，将差异图的所有像素值分为两类，得到标签集；
(1e)从标签集随机选择标签集数量的40％作为训练标签集，并确定训练标签集中每个标签值在差异图中的空间坐标位置；
(2)构造训练数据集：
(2a)将两幅合成孔径雷达SAR图像中，所有与训练标签集在差异图中的空间位置对应的像素点周围的5×5邻域像素值作为训练样本；
(3)构造残差变化检测网络的网络：
(3a)搭建一个7层残差变化检测网络，网络的结构为：输入层→卷积层→第一池化层→残差块→第二池化层→输出层，残差块包含残差和两个卷积层；
(3b)将卷积层、残差块的特征映射图总数设置为32个，与卷积层、残差块对应滤波器的尺寸设置为3×3个像素；第一池化层和第二池化层的操作方式使用最大池化方式，将输出层的神经元个数设为2；
(4)训练残差变化检测网络：
(4a)将训练数据集和标签集输入到搭建好的残差变化检测网络中，训练残差变化检测网络，得到训练好的残差变化检测网络；
(5)生成检测数据集：
(5a)将两幅合成孔径雷达SAR图像中所有像素点周围的5×5邻域像素值作为检测数据集，并确定每个像素点在合成孔径雷达SAR图像的空间位置；
(6)获取特征向量集：
(6a)将检测数据集输入到训练好的残差变化检测网络输入层，残差变化检测网络输出层输出特征向量集；
(7)输出变化检测结果图：
(7a)利用模糊C均值FCM算法，将特征向量集分为两类；
(7b)用变化结果图像像素点的像素值与两幅合成孔径雷达SAR图像对应像素点的空间坐标位置，构造一幅变化检测结果图。
2.根据权利要求1所述的基于残差网络的合成孔径雷达SAR图像变化检测方法，其特征在于：步骤(1a)中所述的对数比值算子公式如下：
X＝|log(X1+1)-log(X2+1)|
其中，X表示由两幅同一地区不同时相的合成孔径雷达SAR图像t1和t2构造的差异图像素值，|.|表示绝对值操作，log表示以10为底的对数操作，X1表示合成孔径雷达SAR图像t1的像素值，X2表示合成孔径雷达SAR图像t2的像素值。
3.根据权利要求1所述的基于残差网络的合成孔径雷达SAR图像变化检测方法，其特征在于：步骤(1d)中所述的局部邻域信息的模糊C均值FLICM算法的具体步骤如下：
第1步，按照下式，计算差异图每个像素点的像素值的模糊因子：
其中，Gkz表示差异图第z个像素点的像素值在第k类聚类中心上的模糊因子，j表示邻域窗口内像素点的序号，Nz表示以差异图第z个像素点为中心的局部邻域窗口像素点集合，∑表示求和操作，dzj表示差异图第z个像素点的像素值与邻域窗口内第j个像素点像素值的欧氏距离，ukj表示邻域窗口内第j个像素点像素值在第k类聚类中心上的隶属度，初始值为随机选择0～1的值，后续按照第2步更新，xj表示邻域窗口内第j个像素点的像素值，vk表示差异图像素点的像素值的第k类聚类中心，初始值为在差异图的像素点的像素值中随机选择像素值，后续按照第3步更新；
第2步，按照下式，计算差异图像素点像素值的隶属度：
其中，r表示差异图像素值聚类中心的序号，r取1或2，Grz表示差异图第z个像素点的像素值在第r类聚类中心上的模糊因子；
第3步，用每个差异图像素点乘以第k类的聚类中心隶属度的平方，将乘积求和，再除以所有k类聚类中心隶属度平方的总和，得到第k类的聚类中心值；
第4步，重复执行第1步、第2步、第3步，直至迭代前后的聚类中心值的最大改变量小于0.0001，将最后一次执行得到的隶属度作为分类特征向量的隶属度；
第5步，将每个像素点像素值的隶属度大于0.5的划为第1类，其余的划为第2类。
4.根据权利要求1所述的基于残差网络的合成孔径雷达SAR图像变化检测方法，其特征在于：步骤(7a)中所述的模糊C均值FCM算法的具体步骤如下：
第1步，按照下式，计算每个特征向量在聚类中心上的隶属度：
其中，cpa表示第a个特征向量在第p个聚类中心上的隶属度，m表示特征向量聚类中心的序号，m取1或2，hpa表示第a个特征向量与第p个聚类中心的欧氏距离，hma表示第a个特征向量与第m个聚类中心的欧氏距离；
第2步，根据每个特征向量在聚类中心上的隶属度，按照下式，计算特征向量的聚类中心：
其中，vp表示第p个聚类中心，M表示特征向量的个数，ya表示第a个特征向量；
第3步，重复执行第1步、第2步，直到两次执行结果之差的绝对值小于0.0001为止，将最后一次执行得到的隶属度作为分类特征向量的隶属度；
第4步，将特征向量的隶属度大于0.5的划为第1类，该类的变化检测结果图中像素点的像素值为255，其余的划为第2类，该类的变化检测结果图中像素点像素值为0。
CN201711293506.6A 2017-12-08 2017-12-08 基于残差网络的sar图像变化检测方法 Active CN108171119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711293506.6A CN108171119B (zh) 2017-12-08 2017-12-08 基于残差网络的sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711293506.6A CN108171119B (zh) 2017-12-08 2017-12-08 基于残差网络的sar图像变化检测方法

Publications (2)

Publication Number Publication Date
CN108171119A true CN108171119A (zh) 2018-06-15
CN108171119B CN108171119B (zh) 2020-01-07

Family

ID=62525576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711293506.6A Active CN108171119B (zh) 2017-12-08 2017-12-08 基于残差网络的sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN108171119B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376792A (zh) * 2018-11-07 2019-02-22 河北工业大学 基于多通道残差神经网络的光伏电池外观缺陷分类方法
CN111142109A (zh) * 2019-12-30 2020-05-12 上海眼控科技股份有限公司 标记方法、装置、计算机设备和存储介质
CN112712050A (zh) * 2021-01-12 2021-04-27 西安电子科技大学 基于ds证据融合的极化sar图像语义变化检测方法
CN113269235A (zh) * 2021-05-10 2021-08-17 青岛理工大学 一种基于无监督学习的装配体变化检测方法及设备
CN115601364A (zh) * 2022-12-14 2023-01-13 惠州威尔高电子有限公司（Cn） 基于图像分析的金手指电路板检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810699A (zh) * 2013-12-24 2014-05-21 西安电子科技大学 基于无监督深度神经网络的sar图像变化检测方法
CN105809693A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度神经网络的sar图像配准方法
CN105844279A (zh) * 2016-03-22 2016-08-10 西安电子科技大学 基于深度学习和sift特征的sar图像变化检测方法
CN106780485A (zh) * 2017-01-12 2017-05-31 西安电子科技大学 基于超像素分割和特征学习的sar图像变化检测方法
CN107123125A (zh) * 2017-03-29 2017-09-01 西安电子科技大学 基于散射特征与低秩稀疏模型的极化sar变化检测方法
CN107239799A (zh) * 2017-05-26 2017-10-10 西安电子科技大学 基于Pauli分解和深度残差网的极化SAR影像分类方法
CN107239795A (zh) * 2017-05-19 2017-10-10 西安电子科技大学 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810699A (zh) * 2013-12-24 2014-05-21 西安电子科技大学 基于无监督深度神经网络的sar图像变化检测方法
CN105809693A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度神经网络的sar图像配准方法
CN105844279A (zh) * 2016-03-22 2016-08-10 西安电子科技大学 基于深度学习和sift特征的sar图像变化检测方法
CN106780485A (zh) * 2017-01-12 2017-05-31 西安电子科技大学 基于超像素分割和特征学习的sar图像变化检测方法
CN107123125A (zh) * 2017-03-29 2017-09-01 西安电子科技大学 基于散射特征与低秩稀疏模型的极化sar变化检测方法
CN107239795A (zh) * 2017-05-19 2017-10-10 西安电子科技大学 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
CN107239799A (zh) * 2017-05-26 2017-10-10 西安电子科技大学 基于Pauli分解和深度残差网的极化SAR影像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KE WU等: ""A Novel Approach to Subpixel Land-Cover Change Detection Based on a Supervised Back-Propagation Neural Network for Remotely Sensed Images With Different Resolutions"", 《IEEE》 *
邱硕: ""面向立体图像的显著物提取及分割评价研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376792A (zh) * 2018-11-07 2019-02-22 河北工业大学 基于多通道残差神经网络的光伏电池外观缺陷分类方法
CN111142109A (zh) * 2019-12-30 2020-05-12 上海眼控科技股份有限公司 标记方法、装置、计算机设备和存储介质
CN112712050A (zh) * 2021-01-12 2021-04-27 西安电子科技大学 基于ds证据融合的极化sar图像语义变化检测方法
CN112712050B (zh) * 2021-01-12 2023-05-16 西安电子科技大学 基于ds证据融合的极化sar图像语义变化检测方法
CN113269235A (zh) * 2021-05-10 2021-08-17 青岛理工大学 一种基于无监督学习的装配体变化检测方法及设备
CN113269235B (zh) * 2021-05-10 2022-12-27 青岛理工大学 一种基于无监督学习的装配体变化检测方法及设备
CN115601364A (zh) * 2022-12-14 2023-01-13 惠州威尔高电子有限公司（Cn） 基于图像分析的金手指电路板检测方法

Also Published As

Publication number Publication date
CN108171119B (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN108171119A (zh) 基于残差网络的sar图像变化检测方法
EP3614308B1 (en) Joint deep learning for land cover and land use classification
CN105608698B (zh) 一种基于sae的遥感图像变化检测方法
CN106778595B (zh) 基于高斯混合模型的人群中异常行为的检测方法
Micheletti et al. Machine learning feature selection methods for landslide susceptibility mapping
CN106408030B (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN108182450A (zh) 一种基于深度卷积网络的机载探地雷达目标识别方法
CN104537647B (zh) 一种目标检测方法及装置
CN105741267B (zh) 聚类引导深度神经网络分类的多源图像变化检测方法
CN108109160A (zh) 一种基于深度学习的免交互式GrabCut舌体分割方法
CN106845374A (zh) 基于深度学习的行人检测方法及检测装置
CN106156744A (zh) 基于cfar检测与深度学习的sar目标检测方法
CN108830285A (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN106096561A (zh) 基于图像块深度学习特征的红外行人检测方法
CN103258324B (zh) 基于可控核回归和超像素分割的遥感图像变化检测方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN108470138A (zh) 用于目标检测的方法和装置
CN105844279A (zh) 基于深度学习和sift特征的sar图像变化检测方法
CN108447057A (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN107944370A (zh) 基于dccgan模型的极化sar图像分类方法
CN114595732B (zh) 基于深度聚类的雷达辐射源分选方法
CN104182985A (zh) 遥感图像变化检测方法
CN109461163A (zh) 一种用于磁共振标准水模的边缘检测提取算法
CN105069478A (zh) 基于超像素张量稀疏编码的高光谱遥感地物分类方法
CN111639587A (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法

Legal Events

Date Code Title Description
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