本發(fā)明屬于深度學習與遙感圖像處理相結合的領域，具體涉及一種基于sae和顯著性檢測的高分辨sar圖像變化檢測方法，借助深度神經(jīng)網(wǎng)絡模型，具有較高的檢測精度。
背景技術：
：基于遙感影像的變化檢測，就是從不同時間獲取的同一地理區(qū)域多時相遙感影像中，定性或定量地分析確定地表變化特征及變化過程的技術。由于變化檢測技術可以檢測出遙感影像的局部紋理變化信息以及輻射值，因而在資源和環(huán)境監(jiān)測方面，能夠檢測出土地的利用率以及土地的覆蓋狀況、森林以及植被的覆蓋率、城市的擴張狀況等；而在農(nóng)業(yè)調(diào)查方面，該技術能夠及時地更新地理空間數(shù)據(jù)，繼而了解某一地理區(qū)域內(nèi)農(nóng)作物的生長狀況等；同時該技術對于自然災害的監(jiān)測和估計，以及在軍事等領域中也有著重要作用。經(jīng)典的sar圖像變化檢測方法有：(1)基于簡單代數(shù)運算的變化檢測，經(jīng)典的包括圖像差值法、圖像比值法以及對數(shù)比值法；(2)基于圖像變換的變化檢測，經(jīng)典的包括主成分分析、變化向量分析法、相關分析法圖像變換法；(3)基于圖像分類的變化檢測方法。近年來對sar影像變化檢測的研究得到了廣泛的關注，國內(nèi)外諸多優(yōu)秀團隊對其進行了廣泛而細致的研究。在經(jīng)典變化檢測算法的基礎上，深度學習在sar圖像變化檢測領域的研究，主要是通過一些標記的數(shù)據(jù)訓練深度神經(jīng)網(wǎng)絡，在特征域?qū)D像分析得到變化檢測結果。目前的sar變化檢測算法大部分為中低分辨率、象元級、單極化的sar影像變化檢測。隨著sar技術的日益成熟，圖像質(zhì)量逐漸提高，分辨率逐漸增強，獲取數(shù)據(jù)的能力和精度越來越高，圖像獲取越來越便捷，sar變化檢測的前景更加廣泛。技術實現(xiàn)要素：本發(fā)明的目的在于針對上述現(xiàn)有技術中的問題，提供一種基于sae和顯著性檢測的高分辨sar圖像變化檢測方法，通過sae獲得顯著性區(qū)域，再對顯著性區(qū)域利用聚類法獲得最終變化檢測結果，進而避免sar圖像的噪聲影響，增大可處理圖像的尺寸，提高檢測精度。為了實現(xiàn)上述目的，本發(fā)明采用的技術方案包括以下步驟：1)從兩幅配準后的同一地區(qū)、不同時相的sar圖像中提取不同大小的圖像塊分別作為第一訓練數(shù)據(jù)集d1和第二訓練數(shù)據(jù)集d2；2)分別將第一訓練數(shù)據(jù)集d1和第二訓練數(shù)據(jù)集d2歸一化到[0，1]之間，得到第一歸一化訓練數(shù)據(jù)集n1和第二歸一化訓練數(shù)據(jù)集n2；3)分別構建第一三層堆棧自編碼網(wǎng)絡和第二三層堆棧自編碼網(wǎng)絡，確定兩個網(wǎng)絡每一層的特征數(shù)并隨機初始化權重和偏置，將第一歸一化訓練數(shù)據(jù)集n1和第二歸一化訓練數(shù)據(jù)集n2分別送入第一三層堆棧自編碼網(wǎng)絡和第二三層堆棧自編碼網(wǎng)絡，采用逐層貪婪訓練法進行訓練，得到每一層的權重、偏置；將兩幅圖像分別送入訓練好的網(wǎng)絡，得到兩幅圖像的特征；4)在特征域得到兩幅圖像的差異性，并對差異性通過閾值法確定出閾值分割差異圖，分別得到不同大小的第一顯著性區(qū)域和第二顯著性區(qū)域；5)結合第一顯著性區(qū)域和第二顯著性區(qū)域得到最終顯著性區(qū)域，并對提取到的最終顯著性區(qū)域通過聚類算法得到最終變化檢測結果。步驟1)通過滑窗的方式從兩幅sar圖像中取41×41大小的圖像塊作為第一訓練數(shù)據(jù)集d1，從兩幅sar圖像中取51×51大小的圖像塊作為第二訓練數(shù)據(jù)集d2。構建第一三層堆棧自編碼網(wǎng)絡的步驟包括：3-1a.設置第一層特征數(shù)3362，第二層特征數(shù)1681，第三層特征數(shù)840；3-1b.定義自編碼網(wǎng)絡中每層的輸入為input，重構結果為output，定義損失函數(shù)為：在第一歸一化訓練數(shù)據(jù)集n1中選擇樣本送入到第一層網(wǎng)絡中，通過最小化損失函數(shù)訓練網(wǎng)絡得到第一層特征；將得到的第一層特征作為輸入數(shù)據(jù)送入到第二層網(wǎng)絡中，同理得到第二層特征；將得到的第二層特征作為輸入數(shù)據(jù)送入到第三層網(wǎng)絡中，得到最深層特征；3-1c.將第一歸一化訓練數(shù)據(jù)集n1送入步驟3-1b訓練好的自編碼網(wǎng)絡中，得到圖像特征。步驟4)將步驟3-1c得到的兩幅圖像特征f1、f2作差得到第一特征差異圖s1：s1＝|f1|-|f2|在第一特征差異圖s1上通過閾值法確定閾值分割差異圖，得到兩幅sar圖像中圖像塊大小為41×41的第一顯著性區(qū)域。構建第二三層堆棧自編碼網(wǎng)絡的步驟包括：3-2a.設置第一層特征數(shù)5202，第二層特征數(shù)2601，第三層特征數(shù)1300；3-2b.定義自編碼網(wǎng)絡中每層的輸入為input，重構結果為output，定義損失函數(shù)為公式為：在第二歸一化訓練數(shù)據(jù)集n2中選擇樣本送入到第一層網(wǎng)絡中，通過最小化損失函數(shù)訓練網(wǎng)絡得到第一層特征；將得到的第一層特征作為輸入數(shù)據(jù)送入到第二層網(wǎng)絡中，同理得到第二層特征；將得到的第二層特征作為輸入數(shù)據(jù)送入到第三層網(wǎng)絡中，得到最深層特征；3-2c.將第二歸一化訓練數(shù)據(jù)集n2送入步驟3-2b訓練好的自編碼網(wǎng)絡，得到圖像特征。步驟4)將步驟3-2c得到的兩幅圖像特征f3、f4作差得到第二特征差異圖s2：s2＝|f3|-|f4|在第二特征差異圖s2上通過閾值法確定閾值分割差異圖，得到兩幅sar圖像中圖像塊大小為51×51的第二顯著性區(qū)域。步驟3)在第一歸一化訓練數(shù)據(jù)集n1和第二歸一化訓練數(shù)據(jù)集n2中分別選擇20％的樣本送入第一三層堆棧自編碼網(wǎng)絡和第二三層堆棧自編碼網(wǎng)絡。所述步驟2)的歸一化選用線性縮放法或者0均值標準化法。采用線性縮放法時先求出第一訓練數(shù)據(jù)集d1的第一訓練數(shù)據(jù)集最大值max(d1)以及第二訓練數(shù)據(jù)集d2的第二訓練數(shù)據(jù)集最大值max(d2)；再將第一訓練數(shù)據(jù)集d1和第二訓練數(shù)據(jù)集d2中的每個元素分別除以第一訓練數(shù)據(jù)集最大值max(d1)和第二訓練數(shù)據(jù)集最大值max(d2)，得到第一歸一化訓練數(shù)據(jù)集n1和第二歸一化訓練數(shù)據(jù)集n2。所述步驟5)取第一顯著性區(qū)域和第二顯著性區(qū)域的并集作為最終顯著性區(qū)域r；5a)初始化兩個聚類中心v1,v2，隨機初始化隸屬度矩陣；5b)計算第i個樣本到第j個聚類中心的距離：5c)根據(jù)隸屬度公式更新每個樣本的隸屬度：其中，μj(xi)為第i個樣本對于第j類的模糊隸屬度；5d)根據(jù)各個樣本的隸屬度通過公式更新聚類中心：其中vj為第j類的聚類中心；5e)根據(jù)公式計算各個樣本與其所在類中心的誤差平方和：當聚類中心不再改變或誤差平方和不再減少時，達到最優(yōu)聚類結果，即得到兩類；據(jù)未變化類特征差異大小將聚類結果分為變化類和未變化類，得到最終的變化檢測結果。與現(xiàn)有技術相比，本發(fā)明具有如下的有益效果：由于圖像顯著性區(qū)域不同于其他區(qū)域，很容易被注視到，局部區(qū)域的較大視覺對比使得顯著性檢測能夠指導變化檢測。本發(fā)明采用基于圖像塊的sae顯著性檢測，通過sae的自學習和自訓練獲取顯著性區(qū)域，再對顯著性區(qū)域利用聚類法獲得最終變化檢測結果，有效避免了sar圖像斑點的噪聲影響，增大了可處理圖像的尺寸，提高了檢測精度。此外，本發(fā)明檢測方法僅針對顯著性區(qū)域采用聚類法進行變化檢測，有效減少了待檢測區(qū)域，能夠處理較大尺寸的sar圖像。附圖說明圖1本發(fā)明檢測方法的整體流程圖；圖2(a)2009年4月拍攝的第一組實驗仿真圖，大小為2000*2000；圖2(b)2009年9月拍攝的第一組實驗仿真圖，大小為2000*2000；圖3本發(fā)明方法對第一組仿真實驗的檢測結果圖；圖4(a)為第一組仿真實驗通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測結果圖；圖4(b)為第一組仿真實驗通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測結果圖；圖4(c)為第一組仿真實驗通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測結果圖；圖5(a)2009年4月拍攝的第二組實驗仿真圖，大小為2000*2000；圖5(b)2009年9月拍攝的第二組實驗仿真圖，大小為2000*2000；圖6本發(fā)明方法對第二組仿真實驗的檢測結果圖；圖7(a)為第二組仿真實驗通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測結果圖；圖7(b)為第二組仿真實驗通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測結果圖；圖7(c)為第二組仿真實驗通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測結果圖；圖8(a)2009年4月拍攝的第三組實驗原始數(shù)據(jù)構造圖，大小為2000*2000；圖8(b)2009年9月拍攝的第三組實驗原始數(shù)據(jù)構造圖，大小為2000*2000；圖8(c)為第三組實驗數(shù)據(jù)的變化檢測參考圖；圖9本發(fā)明方法對第三組仿真實驗的檢測結果圖；圖10(a)為第三組仿真實驗通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測結果；圖10(b)為第三組仿真實驗通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測結果圖；圖10(c)為第三組仿真實驗通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測結果。具體實施方式下面結合附圖對本發(fā)明做進一步的詳細說明。參照圖1，本發(fā)明高分辨sar圖像變化檢測方法的實現(xiàn)步驟如下：步驟1，構造第一訓練數(shù)據(jù)集d1；通過滑窗的方式從兩幅配準后的同一地區(qū)、不同時相的sar圖像中取41×41大小的圖像塊作為第一訓練數(shù)據(jù)集d1，第一訓練數(shù)據(jù)集d1中包括兩幅圖像的所有數(shù)據(jù)，其中前一半是圖像1的數(shù)據(jù)，后一半是圖像2的數(shù)據(jù)。步驟2，將第一訓練數(shù)據(jù)集d1歸一化到[0,1]，得到第一歸一化訓練數(shù)據(jù)集n1。常用的歸一化方法有：線性縮放法、0均值標準化法。本實例采用線性縮放法，即先求出數(shù)據(jù)集d1的最大值max(d1)；再將第一訓練數(shù)據(jù)集d1中的每個元素均除以最大值max(d1)，得到第一歸一化訓練數(shù)據(jù)集n1。步驟3，構建第一三層堆棧自編碼網(wǎng)絡：(3a)設置第一層特征數(shù)3362，第二層特征數(shù)1681，第三層特征數(shù)840；(3b)定義自編碼網(wǎng)絡中每層的輸入為input，重構結果為output，定義損失函數(shù)為：在第一歸一化訓練數(shù)據(jù)集n1中選擇部分樣本送入到第一層網(wǎng)絡中，通過最小化損失函數(shù)訓練網(wǎng)絡得到第一層特征；將得到的第一層特征作為輸入數(shù)據(jù)送入到第二層網(wǎng)絡中，同理得到第二層特征；將第二層特征作為輸入數(shù)據(jù)送入到第三層網(wǎng)絡，得到需要的最深層特征。(3c)將第一歸一化訓練數(shù)據(jù)集n1全部送入到(3b)中訓練好的自編碼網(wǎng)絡中，分別得到兩幅圖像的特征f1，f2；步驟4，對步驟3中得到的f1和f2依據(jù)公式<2>作差得到特征差異圖s1：s1＝|f1|-|f2|<2>在特征差異圖s1上通過閾值法確定合適的閾值分割差異圖，得到第一顯著性區(qū)域r1；步驟5，構造第二訓練數(shù)據(jù)集d2，通過滑窗的方式從兩幅配準后的同一地區(qū)、不同時相的sar圖像中取51×51大小的圖像塊作為第二訓練數(shù)據(jù)集d2，第二訓練數(shù)據(jù)集d2中包括兩幅圖像的所有數(shù)據(jù)，其中前一半是圖像1的數(shù)據(jù)，后一半是圖像2的數(shù)據(jù)。步驟6，將第二訓練數(shù)據(jù)集d2歸一化到[0,1]，得到第二歸一化訓練數(shù)據(jù)集n2。常用的歸一化方法有：線性縮放法、0均值標準化法。本實例采用線性縮放法，即先求出第二訓練數(shù)據(jù)集d2的最大值max(d2)；再將第二訓練數(shù)據(jù)集d2中的每個元素均除以最大值max(d2)，得到第二歸一化訓練數(shù)據(jù)集n2。步驟7，構建第二三層堆棧自編碼網(wǎng)絡：(7a)設置第一層特征數(shù)5202，第二層特征數(shù)2601，第三層特征數(shù)1300；(7b)定義自編碼網(wǎng)絡中每層的輸入為input，重構結果為output，定義損失函數(shù)為公式<1>，在第二歸一化訓練數(shù)據(jù)集n2中選擇部分樣本送入到第一層網(wǎng)絡中，通過最小化損失函數(shù)訓練網(wǎng)絡得到第一層特征；將得到的第一層特征作為輸入數(shù)據(jù)送入到第二層網(wǎng)絡，同理得到第二層特征；將第二層特征作為輸入數(shù)據(jù)送入到第三層網(wǎng)絡，得到需要的最深層特征。(7c)將第二歸一化訓練數(shù)據(jù)集n2全部送入到(7b)中訓練好的自編碼網(wǎng)絡中，分別得到兩幅圖像的特征f3，f4；步驟8，對步驟7中得到的f3和f4依據(jù)公式<4>作差得到特征差異圖s2：s2＝|f3|-|f4|<3>在特征差異圖s2上通過閾值法確定合適的閾值分割差異圖，得到第二顯著性區(qū)域r2；步驟9，取r1和r2中顯著性區(qū)域的并集作為最終的顯著性區(qū)域r，通過模糊c均值聚類(fcm)法對特征差異圖進行聚類，具體聚類步驟有：(9a)初始化兩個聚類中心v1,v2，隨機初始化隸屬度矩陣；(9b)根據(jù)公式<5>計算第i個樣本到第j個聚類中心的距離(9c)根據(jù)隸屬度公式<6>更新每個樣本的隸屬度，其中，μj(xi)為第i個樣本對于第j類的模糊隸屬度。(9d)根據(jù)各個樣本的隸屬度通過公式<7>更新聚類中心：其中vj為第j類的聚類中心。(9e)根據(jù)公式<8>計算各個樣本與其所在類中心的誤差平方和：當聚類中心不再改變或者誤差平方和不再減少時達到最優(yōu)聚類結果，即得到兩類，依據(jù)未變化類特征差異較小，將聚類結果分為變化類和未變化類，得到最終的變化檢測結果。本發(fā)明的效果可以通過以下仿真實驗進一步說明：1、仿真參數(shù)：對于具有參考圖的實驗仿真圖，進行定量的變化檢測結果分析：a.計算漏檢個數(shù)：統(tǒng)計實驗結果圖中發(fā)生變化的區(qū)域像素個數(shù)，與參考圖中變化區(qū)域的像素個數(shù)進行對比，將參考圖中發(fā)生變化但實驗結果圖中檢測為未變化的像素個數(shù)，稱為漏檢個數(shù)fn；b.計算錯檢個數(shù)：統(tǒng)計實驗結果圖中未發(fā)生變化區(qū)域的像素個數(shù)，與參考圖中未變化區(qū)域的像素個數(shù)進行對比，把參考圖中未發(fā)生變化但實驗結果圖中檢測為變化的像素個數(shù)，稱為錯檢個數(shù)fp；c.計算變化類正檢個數(shù)：統(tǒng)計實驗結果圖中發(fā)生變化區(qū)域的像素個數(shù)，與參考圖中變化區(qū)域的像素個數(shù)進行對比，把實驗結果圖和參考圖中均為變化的像素個數(shù)，稱為變化類正檢個數(shù)tp；d.計算未變化類正檢個數(shù)：統(tǒng)計實驗結果圖中未發(fā)生變化區(qū)域的像素個數(shù)，與參考圖中未變化區(qū)域的像素個數(shù)進行對比，把實驗結果圖中和參考圖中均為未變化的像素個數(shù)，稱為未變化類正檢個數(shù)tn；e.正確分類的概率pcc：pcc＝(tp+tn)/(tp+fp+tn+fn)f.衡量檢測結果圖與參考圖一致性的kappa系數(shù)：kappa＝(pcc-pre)/(1-pre)其中：pre＝(tp+fp)×nc+(fn+tn)×nu/n2，這里，n表示總像素個數(shù)nc和nu分別表示實際的變化像素數(shù)和未變化像素數(shù)。2.仿真條件：硬件平臺為：intel(r)xeon(r)cpue5-2630，2.40ghz*16，內(nèi)存為64g。軟件平臺為：tensorflow。3.仿真內(nèi)容與結果：用本發(fā)明方法在上述仿真條件下進行實驗。①反應namibia地區(qū)贊比西河流域變化圖像，圖2(a)和圖2(b)的拍攝時間分別為2009年4月2009年9月，大小均為2000×2000。圖3為通過基于sae和顯著性檢測的高分辨sar變化檢測結果圖；圖4(a)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測結果；圖4(b)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測結果圖；圖4(c)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測結果。從實驗結果能夠看出，本發(fā)明方法的變化檢測結果噪聲點較少，細節(jié)保持相對完整，變化檢測效果比較好。②反應namibia地區(qū)贊比西河流域變化圖像2，圖5(a)和圖5(b)的拍攝時間分別為2009年4月2009年9月，大小均為2000×2000。圖6為通過基于sae和顯著性檢測的高分辨sar變化檢測結果圖；圖7(a)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測結果；圖7(b)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測結果圖；圖7(c)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測結果。從實驗結果可以看出，本發(fā)明方法的變化檢測結果噪聲點較少，變化區(qū)域檢測較為完整，變化檢測效果比較好。③該組實驗數(shù)據(jù)從namibia地區(qū)相對沒有變化的區(qū)域中截取背景，在同一場景下截取的其他類別地物作為變化區(qū)域放在其中一幅背景中所得，由于該實驗為人工添加的變化區(qū)域，能夠得到其正確類標，圖8(a)和圖8(b)為待檢測兩時相圖，圖8(c)為變化參考圖。圖9為通過基于sae和顯著性檢測的高分辨sar變化檢測結果圖；圖10(a)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測結果；圖10(b)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測結果圖；圖10(c)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測結果。從實驗結果可以看出，本發(fā)明方法的變化區(qū)域內(nèi)部和未變化區(qū)域內(nèi)部檢測效果都比較好，幾乎沒有噪聲干擾，變化檢測結果與參考圖基本一致。表1為本發(fā)明方法與三種不同差異圖分析方法所得變化檢測圖的效果指標。表1三種已有方法和本發(fā)明變化檢測的效果對比mr_kimr_gkimr_fcmsalient_fcmpcc0.9390.9610.9600.981kappa0.7440.8130.7820.972綜上所述，本發(fā)明首先通過sae顯著性檢測提取顯著性區(qū)域，再通過對顯著性區(qū)域采用fcm聚類法將其分割為兩類，得到最終的變化檢測結果，該方法能夠有效的避免sar圖像斑點噪聲的影響，增加了可檢測圖片的尺寸，提高了檢測精度。當前第1頁12