CN109242889B - 基于上下文显著性检测与sae的sar图像变化检测方法 - Google Patents

Abstract

基于上下文显著性检测与SAE的SAR图像变化检测方法，输入同一地区的两个时相SAR图像；计算对数比值差异图；基于上下文显著性检测算法提取差异图的显著性区域；根据差异图的显著性区域掩模掉两个时相SAR图像的背景，获得掩模后SAR图像；基于模糊C均值聚类提取掩模后SAR图像的变化区域，获得伪标签训练样本；利用掩模后SAR图像和伪标签训练样本进行多层稀疏自动编码器的训练；采用训练好的网络提取最终的SAR图像变化区域。本发明可以有效克服相干斑噪声对SAR图像变化检测的影响，同时设计了多层稀疏自动编码器，提取了SAR图像有效的变化特征，能够提高变化检测的准确度，可用于多时相SAR图像变化检测等技术领域。

Description

基于上下文显著性检测与SAE的SAR图像变化检测方法

技术领域

本发明属于遥感图像处理技术领域，特别是SAR图像变化检测，具体是一种基于上下文显著性检测与SAE(Sparse Auto-Encoders,稀疏自动编码器)的SAR图像变化检测方法，可用于多时相SAR图像变化检测等技术领域。

背景技术

合成孔径雷达(Synthetic aperture radar,SAR)是一种主动式微波成像系统，具有全天候、全天时、成像分辨率高等优点，是人类获取地理信息的重要途径。在恶劣、极端气候情况下，相比光学遥感图像，SAR可以获取稳定的数据，具有明显优势。SAR图像变化检测是利用不同时相的数据挖掘地物目标的变化信息，在城市覆盖调研、土地开发利用等领域得到应用。

SAR图像变化检测主要步骤包括图像预处理、变化信息提取和变化信息处理。图像预处理包括几何校正、图像配准、辐射校正、图像滤波等处理。变化信息提取主要通过差值法和比值法生成差异图，差值法是将两个时相SAR图像做差值运算，易于实现，但受噪声影响严重；比值法是将两个时相SAR图像做比值运算，能够抑制乘性相干斑噪声的干扰。变化信息处理是将差异图分为变化区域和非变化区域，通常采用阈值法和聚类法。为了提高检测的效果，经典分类算法结合人工标注被用来进行监督分类，能够更好地克服相干斑噪声对检测结果的影响。

近年来，SAR图像变化检测的应用前景越来越广泛，许多学者取得了很好的研究成果。例如，Celik等人2009年在IEEE Geoscience and Remote Sensing Letters第6卷第4期上发表的《Unsupervised change detection in satellite images using principalcomponent analysis and k-means clustering》，提出了基于主成分分析和k-means聚类的变化检测方法，能够有效降低数据冗余，突出变化信息，提高检测精度。公茂果等人2012年在IEEE Geoscience and Remote Sensing Letters第9卷第2期上发表了《Neighborhood-based ratio approach for change detection in SAR images》，提出了基于邻域比值法的SAR图像变化检测方法，可以减弱相干斑噪声，同时很好的保持细节信息。公茂果等人2014年在IEEE Transactions on Fuzzy Systems第22卷第1期上发表的《Fuzzy clustering with a modified MRF energy function for change detection insynthetic aperture radar images》，通过模糊C均值聚类与马尔可夫随机场能量函数对变化区域和未改变区域进行分类，改善了变化检测结果的精度。郑耀国、焦李成等人2017年在Pattern Recognition上发表的《Unsupervised saliency-guided SAR image changedetection》，提出了基于显著图指导的SAR图像变换检测，采用上下文显著性检测提取不同时相图像的显著区域，将对数比值差异图进行主成分提取，得到最终的变化检测结果，有效减弱了相干斑噪声的影响。上述方法主要对差异图进行处理，未深入挖掘不同时相SAR图像的变化特征，变化检测效果还有提升空间。

发明内容

本发明旨在克服上述现有技术的问题，提出一种基于上下文显著性检测与SAE的SAR图像变化检测方法，达到提高SAR图像变化检测准确度的目标。

本发明的技术方案：

基于上下文显著性检测与SAE的SAR图像变化检测方法，步骤如下：

(1)输入同一地区的两个时相SAR图像：

输入同一地区的两个时相SAR图像进行图像配准，获得预处理后的两个时相SAR图像A和B；

(2)计算对数比值差异图：

计算两个时相SAR图像A和B的对数比值差异图D；

(3)基于上下文显著性检测算法提取差异图的显著性区域：

(3a)将对数比值差异图D分块，并划分为多个尺度；

(3b)在多个尺度下，根据灰度值和空间距离计算像素块之间的相似度，获得像素块的中心像素显著值；

(3c)加入上下文像素进行显著性修正，得到最终显著性图；

(4)掩模两个时相SAR图像的背景：

(4a)选取阈值对显著性图进行二值化，即获得0-1二值图，0表示不显著区域，1表示显著区域；

(4b)利用二值图对两个时相SAR图像A和B进行掩模处理，去掉背景无变化部分，获得掩模后SAR图像A’和B’；

(5)基于模糊C均值聚类提取掩模后SAR图像的变化区域：

(5a)计算掩模后SAR图像A’和B’的邻域比值差异图D’；

(5b)采用模糊C均值聚类将邻域比值差异图D’分为三类，分别表示无变化类、中间不确定类、变化类；

(5c)从无变化类和变化类中选取p％的样本构成伪标签训练样本集合；

(6)利用掩模后SAR图像和伪标签样本训练多层SAE：

(6a)构建三层SAE网络，随机初始化网络的权重和偏置参数；

(6b)利用伪标签训练样本集合逐层预训练各层网络，获得预训练的网络参数和第三层SAE的隐含输出，隐含输出作为优化后的样本特征；

(6c)将优化后的样本特征和伪标签输入到softmax分类器，训练得到softmax分类器的权重和偏置参数；

(6d)利用伪标签训练样本集合对softmax分类器和三层SAE进行参数的反向微调；

(7)采用训练好的网络提取最终的SAR图像变化检测结果：

(7a)将整个掩模后图像的样本集输入到三层SAE中，第三层SAE的隐含输出作为优化后的样本特征；

(7b)将优化后的样本特征输入到softmax分类器，得到预测标签；

(7c)根据预测标签向量和空间位置，绘制最后的SAR图像变化检测结果图。

本发明与现有技术相比，主要具有如下的优点：

第一，本发明利用基于上下文显著性检测算法获取显著性区域，并采用模糊C均值聚类获得置信度高的训练样本，可以有效克服相干斑噪声对SAR图像变化检测的影响，有助于改善变化检测准确度；

第二，本发明采用SAE的网络结构，利用了深度网络优异的特征表达能力，可以获得两个时相SAR图像的区分度更好的差异特征，提取SAR图像有效的变化特征，从而提高变化检测的效果。

附图说明

图1为基于上下文显著性检测与SAE的SAR图像变化检测方法的实现流程图；

图2为本发明适用的San Francisco地区SAR数据，其中图2(a)为2003年8月拍摄的SAR图像，图2(b)为2004年5月拍摄的SAR图像，图2(c)为变化区域真值图；

图3为本发明适用的San Francisco数据的变化检测实验结果图，其中图3(a)为对比方法SG-FCM的变化检测结果图，图3(b)为对比方法SAE的变化检测结果图，图3(c)为对比方法SGK的变化检测结果图，图3(d)为采用本发明方法的变化检测结果图。

具体实施方式

下面结合具体实例和附图，对本发明作详细的阐述。

根据图1，基于上下文显著性检测与SAE的SAR图像变化检测方法，包括如下步骤：

(1)输入同一地区的两个时相SAR图像：

输入同一地区的两个时相SAR图像进行图像配准，获得预处理后的两个时相SAR图像A和B；

(2)计算对数比值差异图：

计算两个时相SAR图像A和B的对数比值差异图D，计算公式如下：

(3)基于上下文显著性检测算法提取差异图的显著性区域：

(3a)将对数比值差异图D按照7×7的窗大小和50％的重叠进行分块，并划分为4个尺度；

(3b)在4个尺度下根据灰度值和空间距离来计算像素块p_t和p_j之间的相似度

其中，μ表示位置距离权重因子，这里μ＝3；再计算中心像素块在尺度r下的显著值

其中，M表示中心像素块的相似性图像块个数，这里M＝64，尺度r∈{100％,80％,50％,30％}；

(3c)加入上下文像素进行中心像素块的显著性修正，计算如下

其中，[·]表示规范化运算符，可将当前尺度将图片变为原图片大小，

表示在尺度r下像素t和最近的像素t_nearest的归一化位置距离；得到每个中心像素的显著值后，生成最终的显著性图；

(4)掩模两个时相SAR图像的背景：

(4a)选取阈值对显著性图进行二值化，即获得0-1二值图，0表示不显著区域，1表示显著区域；

(4b)利用二值图对两个时相SAR图像A和B进行掩模处理，去掉背景无变化部分，获得掩模后SAR图像A’和B’；

(5)基于模糊C均值聚类提取掩模后SAR图像的变化区域：

(5a)计算掩模后SAR图像A’和B’的邻域比值差异图D’，计算公式为

其中，第一项为像素点之间的比值差异，第二项为像素点邻域的比值差异，Ω表示像素点的邻域；

(5b)采用模糊C均值聚类将邻域比值差异图D’分为三类，分别表示无变化类、中间不确定类、变化类；

(5c)从无变化类和变化类中选取30％的样本构成伪标签训练样本集合；

(6)利用掩模后SAR图像和伪标签样本集合训练多层SAE：

(6a)构建三层SAE网络，随机初始化网络的权重和偏置参数

(6b)利用伪标签训练样本集合逐层预训练各层网络，设伪标签训练样本的特征为x_i，标签为y_i，对第k层SAE的编码过程为：

SAE解码过程为：

SAE的预训练损失函数为：

其中，上式第一项为编解码的重建误差，旨在使得网络的解码输出尽量逼近编码前输入，第二项为权重约束项，旨在防止权重过大，第三项为稀疏限制项，旨在保证隐含单元的稀疏性。

表示编码的权重和偏置，

表示解码的权重和偏置，

表示该层网络的输入，

表示该层网络的隐含输出，

表示该层网络的解码输出。f(·)和g(·)分别表示编码和解码的激活函数，KL(·)表示Kullback–Leibler散度，ρ为稀疏度参数，

表示第z个隐含单元的平均激活值，M_k表示隐含单元数目，N表示训练样本数目，λ和α表示平衡因子，||·||_F表示Forbenius范数。利用梯度下降法进行优化，得到预训练的网络参数和第三层SAE的隐含输出，隐含输出作为优化后的样本特征

(6c)将优化后的样本特征和伪标签输入到softmax分类器，训练得到softmax分类器的权重和偏置参数，损失函数为

其中，上式第一项表示预测误差，第二项表示权重惩罚项。

表示分类器预测结果，W⁴表示softmax分类器的权重，λ表示平衡因子。利用反向传播算法求解该目标方程，获得softmax的参数；

(6d)利用伪标签训练样本集合对softmax分类器和三层SAE进行参数的反向微调，实现的损失函数为：

其中，上式第一项为整个网络的平均重建误差，第二项为权重约束项。

表示第k层网络的隐含输出，

表示第k层网络的输入。利用反向传播算法进行优化。

(7)采用训练好的网络提取最终的SAR图像变化检测结果：

(7a)将整个掩模后图像的样本集输入到三层SAE中，第三层SAE的隐含输出作为优化后的样本特征

(7b)将优化后的样本特征

输入到softmax分类器，得到预测概率如下：

其中，

和

对应第j类的部分权重和偏置，

和

对应第c类的部分权重和偏置。最后，样本x_i的预测标签如下：

(7c)根据预测标签向量和空间位置，绘制最后的SAR图像变化检测结果图。

以下通过仿真实验，对本发明的技术效果进行说明：

1、仿真条件与内容

本发明的实验数据为San Francisco数据，分别如图2所示，像素大小为256×256，其中图2(c)白色部分为变化区域，黑色部分为非变化区域；图3为本发明适用的SanFrancisco数据的实验结果图，其中图3(a)为对比方法SG-FCM的变化检测结果图，图3(b)为对比方法SAE的变化检测结果图，图3(c)为对比方法SGK的变化检测结果图，图3(d)为采用本发明方法的变化检测结果图。表一为这几种技术的变化检测精度对比。仿真实验中，本发明和对比方法都是在Matlab R2017a中编程实现。

本文采用三种对比方法中，SG-FCM是基于上下文显著性检测方法和模糊C均值聚类的方法，SGK是基于上下文显著性检测方法、PCA和k-means的方法，SAE是基于邻域比值和自动编码器的方法。

2、仿真结果分析

表一San Francisco数据变化检测精度对比

方法	错检个数	漏检个数	总错误数	检测准确率	Kappa系数
						SG-FCM	549	534	1083	0.9835	0.8757
SAE	669	300	969	0.9852	0.8925
						SGK	702	383	1085	0.9834	0.8791
本方法	343	439	782	0.9881	0.9093

由表一结果可知，本发明的方法比现有SG-FCM、SAE、SGK方法都获得了更高的变化检测精度，证明本发明方法有效提高了SAR图像变换检测精度。从图3各个方法的对比可知，本发明方法的结果最接近与真实变化结果，说明上下文显著性检测算法能够有效克服SAR图像相干斑噪声，基于SAE的深度网络可以获得有效的变化特征，从而达到提高变化检测精度的效果。

Claims (1)

1.一种基于上下文显著性检测与SAE的SAR图像变化检测方法，其特征在于，步骤如下：

(1)输入同一地区的两个时相SAR图像：

输入同一地区的两个时相SAR图像进行图像配准，获得预处理后的两个时相SAR图像A和B；

(2)计算对数比值差异图：

计算两个时相SAR图像A和B的对数比值差异图D，计算公式如下：

(3)基于上下文显著性检测算法提取差异图的显著性区域：

(3a)将对数比值差异图D进行分块，并划分为多个尺度；

(3b)在多个尺度下，根据灰度值和空间距离来计算像素块p_t和p_j之间的相似度

其中，μ表示位置距离权重因子；再计算中心像素块在尺度r下的显著值

其中，M表示中心像素块的相似性图像块个数；

(3c)加入上下文像素进行中心像素块的显著性修正，计算如下

其中，[·]表示规范化运算符，将当前尺度将图片变为原图片大小，

表示在尺度r下像素t和最近的像素t_nearest的归一化位置距离；得到每个中心像素的显著值后，生成最终的显著性图；

(4)掩模两个时相SAR图像的背景：

(4a)选取阈值对显著性图进行二值化，即获得0-1二值图，0表示不显著区域，1表示显著区域；

(4b)利用二值图对两个时相SAR图像A和B进行掩模处理，去掉背景无变化部分，获得掩模后SAR图像A’和B’；

(5)基于模糊C均值聚类提取掩模后SAR图像的变化区域：

(5a)计算掩模后SAR图像A’和B’的邻域比值差异图D’，计算公式为

其中，第一项为像素点之间的比值差异，第二项为像素点邻域的比值差异，Ω表示像素点的邻域；

(5b)采用模糊C均值聚类将邻域比值差异图D’分为三类，分别表示无变化类、中间不确定类、变化类；

(5c)从无变化类和变化类中选取p％的样本构成伪标签训练样本集合；

(6)利用掩模后SAR图像和伪标签样本集合训练多层SAE：

(6a)构建三层SAE网络，随机初始化网络的权重和偏置参数

(6b)利用伪标签训练样本集合逐层预训练各层网络，设伪标签训练样本的特征为x_i，标签为y_i，对第k层SAE的编码过程为：

SAE解码过程为：

SAE的预训练损失函数为：

其中，上式第一项为编解码的重建误差，旨在使得网络的解码输出尽量逼近编码前输入，第二项为权重约束项，旨在防止权重过大，第三项为稀疏限制项，旨在保证隐含单元的稀疏性；

表示编码的权重和偏置，

表示解码的权重和偏置，

表示该层网络的输入，

表示该层网络的隐含输出，

表示该层网络的解码输出；f(·)和g(·)分别表示编码和解码的激活函数，KL(·)表示Kullback–Leibler散度，ρ为稀疏度参数，

表示第z个隐含单元的平均激活值，M_k表示隐含单元数目，N表示训练样本数目，λ和α表示平衡因子，||·||_F表示Forbenius范数；利用梯度下降法进行优化，得到预训练的网络参数和第三层SAE的隐含输出，隐含输出作为优化后的样本特征

(6c)将优化后的样本特征和伪标签输入到softmax分类器，训练得到softmax分类器的权重和偏置参数，损失函数为

其中，上式第一项表示预测误差，第二项表示权重惩罚项；

表示分类器预测结果，W⁴表示softmax分类器的权重，λ表示平衡因子；利用反向传播算法求解该目标方程，获得softmax的参数；

(6d)利用伪标签训练样本集合对softmax分类器和三层SAE进行参数的反向微调，实现的损失函数为：

其中，上式第一项为整个网络的平均重建误差，第二项为权重约束项；

表示第k层网络的隐含输出，

表示第k层网络的输入；利用反向传播算法进行优化；

(7)采用训练好的网络提取最终的SAR图像变化检测结果：

(7a)将整个掩模后图像的样本集输入到三层SAE中，第三层SAE的隐含输出作为优化后的样本特征

(7b)将优化后的样本特征

输入到softmax分类器，得到预测概率如下：

其中，

和

对应第j类的部分权重和偏置，

和

对应第c类的部分权重和偏置；最后，样本x_i的预测标签如下：

(7c)根据预测标签向量和空间位置，绘制最后的SAR图像变化检测结果图。

Images