CN110728665B - 基于并行概率神经网络的sar图像变化检测方法 - Google Patents

基于并行概率神经网络的sar图像变化检测方法 Download PDF

Info

Publication number
CN110728665B
CN110728665B CN201910941550.6A CN201910941550A CN110728665B CN 110728665 B CN110728665 B CN 110728665B CN 201910941550 A CN201910941550 A CN 201910941550A CN 110728665 B CN110728665 B CN 110728665B
Authority
CN
China
Prior art keywords
layer
network
sub
difference
neural network
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.)
Active
Application number
CN201910941550.6A
Other languages
English (en)
Other versions
CN110728665A (zh
Inventor
曾操
聂国篱
廖桂生
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 CN201910941550.6A priority Critical patent/CN110728665B/zh
Publication of CN110728665A publication Critical patent/CN110728665A/zh
Application granted granted Critical
Publication of CN110728665B publication Critical patent/CN110728665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于并行概率神经网络的SAR图像变化检测方法，属于涉及遥感图像变化检测技术领域；具体地，本发明首先利用对数比值法和均值比值法生成两幅具有不同特征的差异图，然后利用K‑means方法分别对两幅差异图进行聚类，并分别选择若干个点作为训练数据导入网络。然后将两幅差异图输入网络，得到最终变化检测的图像。本发明方法采用了并行的两个概率神经网络，与单个概率神经网络相比，充分地结合了不同差异图的不同特征，使得最终的分类决策更加全面，从而有效地提高了变化检测的准确度。

Description

基于并行概率神经网络的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，尤其涉及遥感图像变化检测技术领域中的一种基于并行概率神经网络的合成孔径雷达SAR(Synthetic Aperture Radar,SAR)图像变化检测方法。
背景技术
SAR图像变化检测方法是利用同一地区不同时段的两幅合成孔径雷达SAR图像形成差异图，并对差异图进行分析，从而得到最终的变化检测图像。目前合成孔径雷达SAR图像变化区域检测的分析步骤大致分为两步：(1)生成差异图。此步骤是初步区分2幅合成孔径雷达SAR图像中的未变化类和变化类，并为差异图分析提供基础。其典型方法包括：差值法、均值比值法和对数比值法。这些方法能生成具有各自特征的差异图；(2)分析差异图。该步骤是对步骤(1)获得的差异图进行分析，提取变化信息，最终得到两幅图像的变化区域和非变化区域。其典型方法包括阈值法、聚类法。但是这些方法都只用了一幅差异图信息，而不同的差异图具有不同的信息。因此，这些方法并没有利用多个特征信息。
Xu等人在其发表的论文“一种基于CNN的SAR图像变化检测方法”(雷达学报，2017.10 Vol.6 No.5)中提出了一种基于卷积神经网络(CNN)的SAR图像变化检测方法。该方法首先对SAR图像进行预处理，手动获取样本数据，并对CNN网络进行训练。之后对图像进行分类，对分类后的的SAR图像通过人工选取一定的阈值进行变化检测。该方法结合分类与变化检测，使得变化检测分类的精度较高。但是，该方法仍然存在的不足之处是，CNN作为一种后向卷积的神经网络，其运算速度不高，在实际的应用过程中不易迅速地掌握地区的变化信息，具体地来说，如果某地区受灾情影响，那么运算速度较慢势必会延误灾情分析等。并且，该方法中初始训练数据是需要人工标记获得，且阈值的确定也需要人工进行多次尝试。因此该方法的操作较复杂，导致变化检测效率低。
西安电子科技大学在其申请的专利文献“基于改进的双边滤波与聚类的SAR图像变化检测方法”(专利申请号：201510939427.2，公开号：105374047B)中提出了一种基于改进的双边滤波与聚类的SAR图像变化检测方法。该方法的步骤是：1.输入两幅尺寸相同的待检测的图像；2.对这两幅图像进行去噪预处理，构造初始差异图；3.对初始差异图进行中值滤波得到最终差异图；4.对最终差异图进行聚类，得到未变化类模糊隶属度矩阵uu和变化类模糊隶属度矩阵uc；5.对变化类模糊隶属度矩阵uc中的元素进行赋值和分类，得到最终变化检测结果图。该方法存在的不足之处是，只考虑合成孔径雷达SAR图像的单个像素点信息，且没有考虑到综合利用不同差异图的不同特征这一特点，从而影响了变化检测的精度。
发明内容
为了解决上述问题，本发明的目的是提出一种基于并行概率神经网络的SAR图像变化检测方法。以实现对合成孔径雷达SAR图像变化区域的准确高效检测。本发明方法首先利用对数比值法和均值比值法生成两幅具有不同特征的差异图，然后利用K-means方法分别对两幅差异图进行聚类，并分别选择若干个点作为样本数据导入网络。然后将两幅差异图输入网络，得到最终变化检测的图像。
为了达到上述目的，本发明采用以下技术方案予以解决。
基于并行概率神经网络的SAR图像变化检测方法，包括以下步骤：
步骤1，获取同一地区不同时相的两幅待检测SAR图像I1和I2；
其中，所述待检测SAR图像为已经经过几何校正、辐射校正和图像配准的SAR图像；
步骤2，采用对数比值法和均值比值法分别生成两幅待检测SAR图像对应的特征差异图X1和X2；
步骤3，采用K-means硬聚类算法，分别对两张差异图X1和X2进行分类，得到两张差异图的对应分类数据：变化类和非变化类；分别从每张差异图的分类数据中选取样本数据，对应组成差异图X1、X2对应的样本集A1、A2；
步骤4，构建并行概率神经网络，并设置并行概率神经网络各层的参数；
步骤5，分别将差异图X1、X2作为并行概率神经网络中每个子网络的输入层的输入数据，同时将样本集A1和A2按类别分别对应输入每个子网络的模式层的两类节点；对差异图X1和X2进行变化检测，每个子网络每次输入对应差异图相同位置的一个像素点数据，对应输出差异图每个位置的像素点的分类决策，直到输出差异图中所有位置的像素点的分类决策，即完成SAR图像变化检测。
与现有技术相比，本发明的有益效果为：
(1)本发明方法的神经网络模型为概率神经网络，网络结构为前向，无后向反馈，因此相较于其他神经网络方法，本发明方法操作简便有效，物理概念清晰，而且为并行运算，具有运算速度的优势。
(2)本发明方法采用了并行的两个概率神经网络，与单个概率神经网络(PNN)相比，充分地结合了不同差异图的不同特征，使得最终的分类决策更加全面，从而有效地提高了变化检测的准确度。
(3)本发明方法不需要过多人工干涉，并且考虑了单个像素点与一组像素点的综合信息。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1是本发明的基于并行概率神经网络的变化检测方法的方法流程图；
图2是本发明的并行概率神经网络的网络结构图；
图3是本发明的利用标准测试数据进行实验的实验结果图；
图4是本发明实施例中针对瑞士伯尔尼地区的SAR图像，分别采用不同方法进行变化检测的结果图，其中，(a)对应水灾前SAR图像(b)对应水灾后SAR图像(c)标准SAR参考图像，(d)采用K-means的变化检测图，(e)采用FCM的变化检测图(f)采用PNN的变化检测图(g)本发明方法(P-PNN)的变化检测图；
图5是本发明实施例中针对加拿大渥太华地区的SAR图像，分别采用不同方法进行变化检测的结果图，其中，(a)对应水灾前SAR图像，(b)对应水灾后SAR图像，(c)标准SAR参考图像，(d)采用K-means的变化检测图，(e)采用FCM的变化检测图(f)采用PNN的变化检测图(g)本发明方法(P-PNN)的变化检测图；
具体实施方式
下面结合附图对本发明的实施例及效果作进一步详细描述。
本发明的一种基于并行概率神经网络的SAR图像变化检测方法，按照以下步骤实施：
步骤1，获取同一地区不同时相的两幅待检测SAR图像I1和I2；
其中，所述待检测SAR图像为已经经过几何校正、辐射校正和图像配准的SAR图像；
具体地，直接读入同一地区不同时相的两幅经过校正和配准的SAR图像即可。
步骤2，采用对数比值法和均值比值法分别生成两幅待检测SAR图像对应的特征差异图X1和X2；
(2.1)采用对数比值法生成两幅待检测SAR图像的差异图X1：
Figure BDA0002223037330000051
其中，X1(i，j)为差异图X1中位于(i，j)处的像素值，I1(i，j)为待检测图像I1位于(i，j)处的像素值，I2(i，j)为为待检测图像I2位于(i，j)处的像素值，|·|为取绝对值；
(2.2)采用均值比值法生成两幅待检测SAR图像的差异图X2：
Figure BDA0002223037330000052
其中，X2(i，j)为差异图X2中位于(i，j)处的像素值，μ1(i，j)为第一时相的SAR图像I1在像素(i，j)处的邻域像素值的均值，μ2(i，j)第二时相的SAR图像I2在像素(i，j)处的邻域像素值的均值。
步骤3，采用K-means硬聚类算法，分别对两张差异图X1和X2进行分类，得到两张差异图的对应分类数据：变化类和非变化类；分别从每张差异图的分类数据中选取样本数据，对应组成差异图X1、X2对应的样本集A1、A2；
(3.1)K-means方法是一种经典的聚类方法，其具体过程为：
首先，在每幅差异图中随机选取两个像素点作为聚类中心；
然后，分别寻找与两个聚类中心距离最近的像素点，并归为一类；此时，属于变化类和非变化类的像素点各有2个；再求属于同一类的像素点的平均值，并以此作为新的聚类中心；
以此类推，重复上述过程，直至每幅差异图的所有像素点分类完毕。
因此，在本发明方法中，对于一张差异图，利用K-means方法的结果是将差异图中的像素点分为两类，即分为变化类和非变化类。
(3.2)从分类后的两类像素点中分别随机选择至少100个像素点组成样本集A1和A2。
步骤4，构建并行概率神经网络，并设置并行概率神经网络各层的参数；
如图2所示，具体过程为：
(4.1)分别构建两个结构相同的并行子网络：
首先，构建一个4层的第一子网络，其结构依次为：输入层→第一模式层→第一求和层→输出层；
其次，构建一个4层的第二子网络，其结构依次为：输入层→第二模式层→第二求和层→输出层；
最后，将第一子网络与第二子网络并联组成并行概率神经网络。
(4.2)设置并行概率神经网络各层的参数：
首选，将第一子网络输入层节点个数设置为输入像素点的个数，将第一子网络第一模式层节点个数设置为样本集中像素点的个数，第一求和层的节点个数固定为2，输出层节点个数固定为1；
其次，将第二子网络输入层节点个数设置为输入像素点的个数，将第二子网络第二模式层节点个数设置为样本集中像素点的个数，第二求和层的节点个数固定为2，输出层节点个数固定为1；
最后，去除第一子网络和第二子网络各自的输出层，第一子网络的第一求和层与第二子网络的第二求和层共同组成并行概率神经网络的求和层1；连接第一子网络的第一求和层与第二子网络的第二求和层的第一个节点，构成并行概率神经网络的求和层2的第一个节点；连接第一子网络的第一求和层与第二子网络第二求和层的第二个节点，构成并行概率神经网络的求和层2的第二个节点；将并行概率神经网络的求和层2的两个节点相连构成并行概率神经网络的输出层的一个节点。
步骤5，分别将差异图X1、X2作为并行概率神经网络中每个子网络的输入层的输入数据，同时将样本集A1和A2按类别分别对应输入每个子网络的模式层的两类节点；对差异图X1和X2进行变化检测，每个子网络每次输入对应差异图相同位置的一个像素点数据，对应输出差异图每个位置的像素点的分类决策，直到输出差异图中所有位置的像素点的分类决策，即完成SAR图像变化检测。
如图2和图3所示，步骤5具体的过程为：
(5.1)设差异图X1的像素点为x11，x12，…，x1n，从第一子网络的输入层输入；差异图X2的像素点为x21，x22，…，x2n，从第二子网络的输入层输入；每个子网络每次输入对应差异图相同位置的一个像素点数据；
设样本集A1中的样本数据为t11，t12，…，t1m，位于第一子网络的模式层；设样本集A2中的样本数据为t21，t22，…，t2m，位于第二子网络的模式层；
(5.2)计算每个子网络中每个输入像素点与所有位于模式层的像素点的距离，即模式层距离，并将该子网络的相同类别的像素点对应的模式层距离求和，输出到求和层1；具体为：
Figure BDA0002223037330000081
Figure BDA0002223037330000082
Figure BDA0002223037330000083
Figure BDA0002223037330000084
其中，x1i为差异图X1的第i个像素点，i＝1，2，…，n；x2i为差异图X2的第i个像素点；t1k表示差异图X1的第k个节点，k＝1，2，…，m；t2k表示差异图X2的第k个节点；C11表示第一子网络中所有属于变化类(change)的像素点的模式层距离之和。C12表示主网络中所有属于非变化类(unchange)的所有像素点的模式层距离之和。C21表示辅网络中所有属于变化类(change)的所有像素点的模式层距离之和。C22表示主网络中所有属于非变化类(unchange)的所有像素点的模式层距离之和。
(5.3)将每个子网络中每个类别的求和层1节点进行加权求和，输出至求和层2，比较求和层2的两个节点的大小，作出分类决策；
具体过程是：
首先，计算求和层2的两个节点数值分别为：
P1＝C11+w1C21
P2＝C12+w2C22
其中，w1和w2是预设的权重，w1和w2的取值范围为[0.5，1]；P1和P2的值表征该输入像素点与某一类(变化类或非变化类)的密切程度；
然后，判断求和层2的两个节点的大小，若P1＞P2，则将该像素点判定为变化类；反之，则为非变化类。
直到输出差异图中所有位置的像素点的分类决策，即完成SAR图像变化检测。
仿真实验
本发明的效果可通过以下仿真实验进一步说明。
1、实验参数：
本发明实验所使用的实验参数如下：
正检变化类像素数：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，称为正检变化类像素数TP。
正检未变化类像素数：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，称为正检未变化类像素数TN。
误检数：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，称为误检数FP。
漏检数：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，称为漏检数FN。
总错误像素数＝误检数+漏检数。
正确率PCC：PCC＝i-总错误像素数/总像素数。
衡量检测结果图与参考图一致性的Kappa系数：
Figure BDA0002223037330000101
Figure BDA0002223037330000102
其中，PRE表示理论检测精度的一致率，Nc表示实验结果图中像素值是255的像素的总个数，Nu表示实验结果图中像素值是0的像素的总个数，Mc为标准参考图像的像素点的总个数，卡帕系数Kappa指标检验变化检测结果的精度。
2、实验内容与结果分析：
(1)实验1
本发明的实验1是，使用本发明以及K-means、模糊C均值聚类(FCM)、PNN，分别对Bern地区的合成孔径雷达SAR图像进行实验，得到了Bern地区的合成孔径雷达SAR图像的变化检测图，如图4所示，从图4可以看出，K-means、模糊C均值聚类(FCM)、PNN方法的检测结果中杂点较多，本发明检测结果与标准参考图最接近，说明本发明检测精度高。
对于各方法的检测结果进行各参数统计和计算，结果如表1所示。
表1 Bern地区变化检测结果
Figure BDA0002223037330000103
Figure BDA0002223037330000111
由表1可见，本发明方法的总错误像素数最少，同时Kappa系数最高，即本发明方法的精度最高。
(2)实验2
本发明的实验2是，使用本发明以及K-means、FCM、PNN(单个概率神经网络)，分别对Ottawa地区的合成孔径雷达SAR图像进行实验，得到了Ottawa地区的合成孔径雷达SAR图像的变化检测图，如图5所示，从图5可以看出，K-means和模糊C均值聚类(FCM)方法的检测结果中杂点较多，PNN和本发明检测结果与标准参考图最接近。
进一步，对于各方法的检测结果进行各参数统计和计算，结果如表2所示。
表2 Ottawa地区变化检测结果
方法 漏检数 错检数 总错误像素数 Kappa系数
K-means 1023 1451 2474 0.9094
FCM 1041 1414 2455 0.9100
PNN 1147 563 1710 0.9362
本发明 1005 422 1427 0.9555
由表2可见，本发明方法的总错误像素数最少，同时Kappa系数最高，即本发明方法的精度最高。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.基于并行概率神经网络的SAR图像变化检测方法，其特征在于，包括以下步骤：
步骤1，获取同一地区不同时相的两幅待检测SAR图像I1和I2；
其中，所述待检测SAR图像为已经经过几何校正、辐射校正和图像配准的SAR图像；
步骤2，采用对数比值法和均值比值法分别生成两幅待检测SAR图像对应的特征差异图X1和X2；
步骤3，采用K-means硬聚类算法，分别对两张差异图X1和X2进行分类，得到两张差异图的对应分类数据：变化类和非变化类；分别从每张差异图的分类数据中选取样本数据，对应组成差异图X1、X2对应的样本集A1、A2；
步骤4，构建并行概率神经网络，并设置并行概率神经网络各层的参数；
步骤5，分别将差异图X1、X2作为并行概率神经网络中每个子网络的输入层的输入数据，同时将样本集A1和A2按类别分别对应输入每个子网络的模式层的两类节点；对差异图X1和X2进行变化检测，每个子网络每次输入对应差异图相同位置的一个像素点数据，对应输出差异图每个位置的像素点的分类决策，直到输出差异图中所有位置的像素点的分类决策，即完成SAR图像变化检测；
步骤2中按照以下步骤实施：
(2.1)采用对数比值法生成两幅待检测SAR图像的差异图X1：
Figure FDA0004046958690000011
其中，X1(i,j)为差异图X1中位于(i,j)处的像素值，I1(i,j)为待检测图像I1位于(i,j)处的像素值，I2(i,j)为为待检测图像I2位于(i,j)处的像素值，|·|为取绝对值；
(2.2)采用均值比值法生成两幅待检测SAR图像的差异图X2：
Figure FDA0004046958690000021
其中，X2(i,j)为差异图X2中位于(i,j)处的像素值，μ1(i,j)为第一时相的SAR图像I1在像素(i,j)处的邻域像素值的均值，μ2(i,j)第二时相的SAR图像I2在像素(i,j)处的邻域像素值的均值；
所述采用K-means硬聚类算法，分别对两张差异图X1和X2进行分类，得到两张差异图的对应分类数据：变化类和非变化类，其具体为：
首先，在每幅差异图中随机选取两个像素点作为聚类中心；
然后，分别寻找与两个聚类中心距离最近的像素点，并归为一类；此时，属于变化类和非变化类的像素点各有2个；再求属于同一类的像素点的平均值，并以此作为新的聚类中心；
以此类推，重复上述过程，直至每幅差异图的所有像素点分类完毕；
步骤4中，所述构建并行概率神经网络为：
首先，构建一个4层的第一子网络，其结构依次为：输入层、第一模式层、第一求和层和输出层；
其次，构建一个4层的第二子网络，其结构依次为：输入层、第二模式层、第二求和层和输出层；
最后，将第一子网络与第二子网络并联组成并行概率神经网络；
所述设置并行概率神经网络各层的参数具体为：
首选，将第一子网络输入层节点个数设置为输入像素点的个数，将第一子网络第一模式层节点个数设置为样本集中像素点的个数，第一求和层的节点个数固定为2，输出层节点个数固定为1；
其次，将第二子网络输入层节点个数设置为输入像素点的个数，将第二子网络第二模式层节点个数设置为样本集中像素点的个数，第二求和层的节点个数固定为2，输出层节点个数固定为1；
最后，去除第一子网络和第二子网络各自的输出层，第一子网络的第一求和层与第二子网络的第二求和层共同组成并行概率神经网络的求和层1；连接第一子网络的第一求和层与第二子网络的第二求和层的第一个节点，构成并行概率神经网络的求和层2的第一个节点；连接第一子网络的第一求和层与第二子网络第二求和层的第二个节点，构成并行概率神经网络的求和层2的第二个节点；将并行概率神经网络的求和层2的两个节点相连构成并行概率神经网络的输出层的一个节点。
2.根据权利要求1所述的基于并行概率神经网络的SAR图像变化检测方法，其特征在于，步骤3中，所述分别从每张差异图的分类数据中选取样本数据，其具体为：从分类后的两类像素点中分别随机选择至少100个像素点组成样本集A1和A2。
3.根据权利要求1所述的基于并行概率神经网络的SAR图像变化检测方法，其特征在于，所述分别将差异图X1、X2作为并行概率神经网络中每个子网络的输入层的输入数据，同时将样本集A1和A2按类别分别对应输入每个子网络的模式层的两类节点；对差异图X1和X2进行变化检测，其具体过程为：
(5.1)设差异图X1的像素点为x11,x12,...,x1n，从第一子网络的输入层输入；差异图X2的像素点为x21,x22,...,x2n，从第二子网络的输入层输入；每个子网络每次输入对应差异图相同位置的一个像素点数据；
设样本集A1中的样本数据为t11,t12,...,t1m，位于第一子网络的模式层；设样本集A2中的样本数据为t21,t22,...,t2m，位于第二子网络的模式层；
(5.2)计算每个子网络中每个输入像素点与所有位于模式层的像素点的距离，即模式层距离，并将该子网络的相同类别的像素点对应的模式层距离求和，输出到求和层1；
(5.3)将每个子网络中每个类别的求和层1的节点进行加权求和，输出至求和层2，比较求和层2的两个节点的大小，作出分类决策；直到输出差异图中所有位置的像素点的分类决策，即完成SAR图像变化检测。
4.根据权利要求3所述的基于并行概率神经网络的SAR图像变化检测方法，其特征在于，所述计算每个子网络中每个输入像素点与所有位于模式层的像素点的距离，即模式层距离，并将该子网络的相同类别的像素点对应的模式层距离求和，其计算公式为：
Figure FDA0004046958690000041
Figure FDA0004046958690000042
Figure FDA0004046958690000043
Figure FDA0004046958690000044
其中，x1i为差异图X1的第i个像素点，i＝1,2,...,n；x2i为差异图X2的第i个像素点；t1k表示差异图X1的第k个节点，k＝1,2,…,m；t2k表示差异图X2的第k个节点；C11表示第一子网络中所有属于变化类的像素点的模式层距离之和；C12表示主网络中所有属于非变化类的所有像素点的模式层距离之和；C21表示辅网络中所有属于变化类的所有像素点的模式层距离之和；C22表示主网络中所有属于非变化类的所有像素点的模式层距离之和。
5.根据权利要求3所述的基于并行概率神经网络的SAR图像变化检测方法，其特征在于，所述将每个子网络中每个类别的求和层1节点进行加权求和，输出至求和层2，比较求和层的两个节点的大小，作出分类决策；
其具体过程是：
首先，计算求和层2的两个节点数值分别为：
P1＝C11+w1C21
P2＝C12+w2C22
其中，w1和w2是预设的权重，w1和w2的取值范围为[0.5,1]；C11表示第一子网络中所有属于变化类的像素点的模式层距离之和；C12表示主网络中所有属于非变化类的所有像素点的模式层距离之和；C21表示辅网络中所有属于变化类的所有像素点的模式层距离之和；C22表示主网络中所有属于非变化类的所有像素点的模式层距离之和；
然后，判断求和层2的两个节点的大小，若P1＞P2，则将该像素点判定为变化类；反之，则为非变化类。
CN201910941550.6A 2019-09-30 2019-09-30 基于并行概率神经网络的sar图像变化检测方法 Active CN110728665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910941550.6A CN110728665B (zh) 2019-09-30 2019-09-30 基于并行概率神经网络的sar图像变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910941550.6A CN110728665B (zh) 2019-09-30 2019-09-30 基于并行概率神经网络的sar图像变化检测方法

Publications (2)

Publication Number Publication Date
CN110728665A CN110728665A (zh) 2020-01-24
CN110728665B true CN110728665B (zh) 2023-04-18

Family

ID=69218642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910941550.6A Active CN110728665B (zh) 2019-09-30 2019-09-30 基于并行概率神经网络的sar图像变化检测方法

Country Status (1)

Country Link
CN (1) CN110728665B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396006B (zh) * 2020-11-23 2023-11-14 中国人民大学 基于机器学习的建筑物损毁识别方法、装置及计算设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5850470A (en) * 1995-08-30 1998-12-15 Siemens Corporate Research, Inc. Neural network for locating and recognizing a deformable object
CN103439342A (zh) * 2013-09-17 2013-12-11 华东交通大学 基于热图时序特征的红外无损检测方法
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
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
CN108447055A (zh) * 2018-03-26 2018-08-24 西安电子科技大学 基于spl和ccn的sar图像变化检测方法
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN109766936A (zh) * 2018-12-28 2019-05-17 西安电子科技大学 基于信息传递和注意力机制的图像变化检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9159137B2 (en) * 2013-10-14 2015-10-13 National Taipei University Of Technology Probabilistic neural network based moving object detection method and an apparatus using the same

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5850470A (en) * 1995-08-30 1998-12-15 Siemens Corporate Research, Inc. Neural network for locating and recognizing a deformable object
CN103439342A (zh) * 2013-09-17 2013-12-11 华东交通大学 基于热图时序特征的红外无损检测方法
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
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及***
CN108447055A (zh) * 2018-03-26 2018-08-24 西安电子科技大学 基于spl和ccn的sar图像变化检测方法
CN109766936A (zh) * 2018-12-28 2019-05-17 西安电子科技大学 基于信息传递和注意力机制的图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周文艳 ; 贾振红 ; 杨杰 ; NIKOLA Kasabov ; .基于组合差异图和FCM聚类的SAR图像变化检测.激光杂志.2018,(03),全文. *
崔斌 ; 张永红 ; 闫利 ; 魏钜杰 ; .一种基于卷积神经网络的SAR变化检测方法.测绘科学.2019,(06),全文. *

Also Published As

Publication number Publication date
CN110728665A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN105405133B (zh) 一种遥感影像变化检测方法
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
Khan et al. An improved K-means clustering algorithm based on an adaptive initial parameter estimation procedure for image segmentation
Rieger et al. Irof: a low resource evaluation metric for explanation methods
CN107844751B (zh) 引导滤波长短记忆神经网络高光谱遥感图像的分类方法
CN106203521B (zh) 基于差异图自步学习的sar图像变化检测方法
CN109919910A (zh) 基于差异图融合和改进水平集的sar图像变化检测方法
CN109191418B (zh) 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN108537790B (zh) 基于耦合翻译网络的异源图像变化检测方法
CN107392887B (zh) 一种基于同质像素点转化的异质遥感图像变化检测方法
CN108520310B (zh) G-L混合噪声特性v-支持向量回归机的风速预报方法
CN107169871B (zh) 一种基于关系组合优化和种子扩张的多关系社区发现方法
CN106612511B (zh) 一种基于支持向量机的无线网络吞吐量的评估方法及装置
CN110619263A (zh) 低秩联合协同表示的高光谱遥感影像异常探测方法
CN104536996B (zh) 一种同构环境下计算节点异常检测方法
CN110472671A (zh) 基于多阶段的油浸式变压器故障数据预处理方法
CN106056577B (zh) 基于mds-srm混合级联的sar图像变化检测方法
CN109376752A (zh) 一种基于不平衡数据集的ptm-wknn分类方法和装置
CN115937774A (zh) 一种基于特征融合和语义交互的安检违禁品检测方法
CN110728665B (zh) 基于并行概率神经网络的sar图像变化检测方法
CN116776245A (zh) 一种基于机器学习的三相逆变器设备故障诊断方法
CN107346549B (zh) 一种利用遥感影像多特征的多类别变化动态阈值检测方法
CN111666999A (zh) 一种遥感图像的分类方法
CN115082713B (zh) 引入空间对比信息的目标检测框提取方法、***及设备

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