本發(fā)明屬于SAR圖像變化檢測(cè)技術(shù)領(lǐng)域，涉及超像素分割和深度神經(jīng)網(wǎng)絡(luò)的結(jié)合，具體提供了一種介于目標(biāo)級(jí)別和像素級(jí)別之間的基于超像素分割和特征學(xué)習(xí)的SAR圖像變化檢測(cè)方法，通過(guò)無(wú)監(jiān)督深度神經(jīng)網(wǎng)絡(luò)對(duì)超像素塊的特征進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)對(duì)SAR圖像的變化檢測(cè)，可運(yùn)用于環(huán)境監(jiān)測(cè)、農(nóng)業(yè)調(diào)查、救災(zāi)工作等SAR圖像變化檢測(cè)相關(guān)領(lǐng)域中。

背景技術(shù)：

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)具有全天時(shí)、全天候、分辨率高等特點(diǎn)，相對(duì)于可見(jiàn)光、紅外傳感器等具有得天獨(dú)厚的優(yōu)勢(shì)。變化檢測(cè)是在遙感領(lǐng)域中最重要的應(yīng)用，它通過(guò)聯(lián)合分析同一地區(qū)在不同時(shí)刻的兩幅或多幅圖像，根據(jù)圖像之間的差異來(lái)獲得所需要的地物變化信息。隨著遙感技術(shù)的不斷發(fā)展，變化檢測(cè)技術(shù)也得到了迅猛發(fā)展，被廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)、科研和軍事等領(lǐng)域。

SAR圖像變化檢測(cè)的過(guò)程可以被分為圖像預(yù)處理過(guò)程和圖像分析過(guò)程。圖像的預(yù)處理過(guò)程包括圖像配準(zhǔn)、幾何校正、圖像增強(qiáng)等；圖像的分析過(guò)程大體有兩種類(lèi)型的方法：(1)基于像素點(diǎn)的變化檢測(cè)技術(shù)；(2)基于目標(biāo)級(jí)別的變化檢測(cè)技術(shù)。

基于像素點(diǎn)的圖像變化檢測(cè)技術(shù)是比較傳統(tǒng)的變化檢測(cè)方法，它是通過(guò)對(duì)兩幅同一地區(qū)不同時(shí)間的SAR圖像逐個(gè)像素點(diǎn)進(jìn)行比較生成差異圖，然后對(duì)差異圖進(jìn)行圖像分割操作得到最終的只反映變化和未變化信息的二值圖。傳統(tǒng)的基于像素點(diǎn)的變化檢測(cè)方法相對(duì)簡(jiǎn)單、快速、直接，但是由于SAR圖像存在大量的相干斑噪聲，基于像素點(diǎn)的變化檢測(cè)方法對(duì)噪聲非常敏感，導(dǎo)致誤檢或漏檢的現(xiàn)象比較嚴(yán)重；另外由于基于像素點(diǎn)的方法要對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行處理，因此會(huì)受限于速度，尤其是當(dāng)處理分辨率特別大的SAR圖像的時(shí)候，速度劣勢(shì)更為明顯。因此針對(duì)這一缺點(diǎn)，出現(xiàn)了一種新的基于目標(biāo)的變化檢測(cè)技術(shù)。

基于目標(biāo)的變化檢測(cè)技術(shù)是基于圖像的光譜特性、形狀、紋理、大小和其他拓?fù)涮卣鲗D像劃分成許多有意義的均勻的區(qū)域，然后通過(guò)對(duì)這些區(qū)域的比較得到變化的結(jié)果，基于目標(biāo)的變化檢測(cè)方法已經(jīng)成功的應(yīng)用于土地利用和土地覆蓋的分類(lèi)等領(lǐng)域中。由于基于目標(biāo)的變化檢測(cè)融入了很多周?chē)袼攸c(diǎn)的特征，且由于分割成了多個(gè)有意義的區(qū)域，因此它對(duì)于處理分辨率特別大的SAR圖像在速度上和分類(lèi)效果上都具有明顯的優(yōu)勢(shì)。但是基于目標(biāo)的變化檢測(cè)技術(shù)需要很大程度的依賴于圖像分割的結(jié)果，并且通常對(duì)細(xì)節(jié)保留做的不夠好。

SAR圖像變化檢測(cè)的難點(diǎn)在于圖像中存在大量的相干斑噪聲，這些噪聲難于處理，容易對(duì)結(jié)果產(chǎn)生很大的影響。國(guó)內(nèi)外的學(xué)者在變化檢測(cè)領(lǐng)域中做了大量的研究，一種就是針對(duì)噪聲的特點(diǎn)設(shè)計(jì)算法，比如：Maoguo Gong等人針對(duì)SAR圖像噪聲的特點(diǎn)通過(guò)結(jié)合不同差異圖的信息，設(shè)計(jì)了新的差異圖生成方法，并且融入像素的鄰域特征提出了新的圖像聚類(lèi)的技術(shù)，參見(jiàn)M.Gong,Z.Zhou,J.Ma.Change Detection in Synthetic Aperture Radar Images based on Image Fusion and Fuzzy Clustering.IEEE Transactions on Image Processing,Vol.21,No.4,2012:2141-2151.另外一種就是通過(guò)深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練使得變化檢測(cè)結(jié)果對(duì)SAR圖像的相干斑噪聲具有魯棒性，參見(jiàn)M.Gong,J.Zhao,J.Liu,Q.Miao,L.Jiao.Change Detection in Synthetic Aperture Radar Images Based onDeep Neural Networks.IEEE Transactions on Neural Networks andLearning Systems,Vol.27,No.1,2016:125-138.

由于基于像素點(diǎn)的變化檢測(cè)技術(shù)和基于目標(biāo)級(jí)別的變化檢測(cè)技術(shù)都存在各自的優(yōu)勢(shì)和缺點(diǎn)，那么結(jié)合二者的優(yōu)勢(shì)摒除二者的缺點(diǎn)設(shè)計(jì)一種新的變化檢測(cè)算法成為當(dāng)務(wù)之急。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于超像素分割和特征學(xué)習(xí)的SAR圖像變化檢測(cè)方法，以實(shí)現(xiàn)在SAR圖像變化檢測(cè)中既能結(jié)合區(qū)域像素點(diǎn)的信息減少噪聲影響，又能較好的保留變化檢測(cè)結(jié)果圖像的細(xì)節(jié)，還能在速度上相對(duì)于基于像素點(diǎn)的方法有一定的提升，使得SAR圖像變化檢測(cè)結(jié)果更穩(wěn)定、邊緣更平滑、區(qū)域一致性更好。

本發(fā)明的技術(shù)方案是：一種基于超像素分割和特征學(xué)習(xí)的SAR圖像變化檢測(cè)方法，包括如下步驟：

步驟101：開(kāi)始基于超像素分割和特征學(xué)習(xí)的SAR圖像變化檢測(cè)方法；

步驟102：對(duì)兩幅配準(zhǔn)后的同一地區(qū)不同時(shí)相的SAR圖像進(jìn)行超像素分割；

步驟103：應(yīng)用差異度聚類(lèi)法生成初始變化結(jié)果；

步驟104：根據(jù)初始變化結(jié)果在變化類(lèi)和未變化類(lèi)中選擇相同數(shù)量的樣本作為訓(xùn)練樣本；

步驟105：將訓(xùn)練樣本輸入到設(shè)計(jì)好的深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；

步驟106：將兩幅待檢測(cè)的圖像輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，得到最終的變化檢測(cè)結(jié)果；

步驟107：結(jié)束基于超像素分割和特征學(xué)習(xí)的SAR圖像變換檢測(cè)方法。

上述的步驟102，包括如下步驟：

步驟201：對(duì)兩幅配準(zhǔn)后待檢測(cè)的SAR圖像應(yīng)用對(duì)數(shù)比值算子生成差異圖；

步驟202：對(duì)差異圖應(yīng)用超像素分割技術(shù)進(jìn)行分割，用得到的分割結(jié)果去分割待檢測(cè)的SAR圖像，保證兩幅SAR圖像分割區(qū)域的一致性；

步驟203：結(jié)束輸入SAR圖像的超像素分割。

上述的步驟103，包括如下步驟：

步驟301：計(jì)算兩幅圖像I₁,I₂對(duì)應(yīng)分割區(qū)域R_x的相似度

步驟302：不斷重復(fù)步驟301，直到得到圖像對(duì)中所有超像素塊的相似度；

步驟303：運(yùn)用模糊C均值聚類(lèi)算法FCM將相似度分成3類(lèi)，分別標(biāo)記為變化類(lèi)，未變化類(lèi)和不確定類(lèi)；若為變化類(lèi)，則對(duì)應(yīng)的超像素分割區(qū)域內(nèi)像素值全部標(biāo)記為0；若為未變化類(lèi)，對(duì)應(yīng)超像素分割區(qū)域內(nèi)像素值全部標(biāo)記為255；若為不確定類(lèi)，對(duì)應(yīng)超像素分割區(qū)域內(nèi)像素值全部標(biāo)記為125。

上述的步驟104，包括如下步驟：

步驟401：生成一個(gè)和超像素塊數(shù)目一樣的隨機(jī)索引序列；

步驟402：找到對(duì)應(yīng)標(biāo)號(hào)的超像素塊，若為變化類(lèi)或未變化類(lèi)則將超像素塊和標(biāo)簽提取出來(lái)作為訓(xùn)練樣本。

上述的步驟105，包括如下步驟：

步驟501：提取每一個(gè)超像素塊的協(xié)方差特征，分別為均值F_μ，方差對(duì)數(shù)規(guī)范化標(biāo)準(zhǔn)偏差F_nsd和填充因子F_η；

步驟502：將待訓(xùn)練樣本對(duì)應(yīng)超像素塊的協(xié)方差特征疊加起來(lái)作為輸入樣本，使用SAE預(yù)訓(xùn)練得到網(wǎng)絡(luò)的初始權(quán)值和偏置，網(wǎng)絡(luò)層數(shù)設(shè)為2個(gè)隱層，每一層的節(jié)點(diǎn)個(gè)數(shù)分別為100和20，SAE每層訓(xùn)練50代；

步驟503：使用最小交叉熵的共軛梯度BP神經(jīng)網(wǎng)絡(luò)對(duì)SAE預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行微調(diào)，訓(xùn)練代數(shù)為50代；

步驟505：獲得最終訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。

本發(fā)明的有益效果：與現(xiàn)有的技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

1.突破了傳統(tǒng)的基于像素點(diǎn)和基于目標(biāo)的變化檢測(cè)方法，提供了一種介于像素級(jí)別和目標(biāo)級(jí)別的超像素級(jí)別的變化檢測(cè)的技術(shù)；

2.通過(guò)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練兩幅SAR圖像的非線性關(guān)系，可以對(duì)噪聲有很強(qiáng)的魯棒性，不需要在預(yù)處理過(guò)程中對(duì)圖像進(jìn)行濾波操作，避免了圖像細(xì)節(jié)的丟失；

3.以超像素塊為處理基準(zhǔn)，通過(guò)特征提取的方法用超像素塊的特征表征該塊，應(yīng)用堆疊自動(dòng)編碼器(SAE)進(jìn)行訓(xùn)練，通過(guò)對(duì)特征的無(wú)監(jiān)督學(xué)習(xí)得到一個(gè)可以處理兩幅圖像非線性關(guān)系的網(wǎng)絡(luò)，使得結(jié)果更加穩(wěn)定。

附圖說(shuō)明

圖1是本發(fā)明實(shí)現(xiàn)步驟的流程框圖；

圖2是本發(fā)明對(duì)SAR圖像進(jìn)行超像素分割的子流程框圖；

圖3是差異度聚類(lèi)算法的子流程框圖；

圖4是選擇訓(xùn)練樣本的子流程框圖；

圖5是訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的流程圖；

圖6是本發(fā)明實(shí)現(xiàn)步驟的整體框架；

圖7是第一組實(shí)驗(yàn)仿真圖，圖7(a)和圖7(b)的拍攝時(shí)間分別為1997.05和1997.08，大小均為290×350，圖7(c)是參考圖；

圖8是第一組實(shí)驗(yàn)仿真圖的超像素分割結(jié)果；

圖9是運(yùn)用差異度聚類(lèi)法對(duì)第一組實(shí)驗(yàn)仿真圖的初始分類(lèi)結(jié)果；

圖10是第一組實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖；

圖11是兩種對(duì)比算法對(duì)于第一組實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖，其中圖11(a)是FCM算法對(duì)于第一組實(shí)驗(yàn)的變化檢測(cè)結(jié)果；圖11(b)是KI閾值算法對(duì)于第一組實(shí)驗(yàn)的變化檢測(cè)結(jié)果；圖11(c)是所提方法對(duì)第一組實(shí)驗(yàn)的變化檢測(cè)結(jié)果；

圖12是第二組實(shí)驗(yàn)仿真圖，圖12(a)和圖12(b)為輸入的同一地區(qū)不同時(shí)刻的SAR圖像，大小均為290×350，圖12(c)是參考圖；

圖13是第二組實(shí)驗(yàn)仿真圖的超像素分割結(jié)果；

圖14是運(yùn)用差異度聚類(lèi)法對(duì)第二組實(shí)驗(yàn)仿真圖的初始分類(lèi)結(jié)果；

圖15是二組實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖；

圖16是兩種對(duì)比算法對(duì)于第二組實(shí)驗(yàn)的變化檢測(cè)結(jié)果圖，其中圖16(a)是FCM算法對(duì)于第二組實(shí)驗(yàn)的變化檢測(cè)結(jié)果；圖16(b)是KI閾值算法對(duì)于第二組實(shí)驗(yàn)的變化檢測(cè)結(jié)果；圖16(c)是所提方法對(duì)第二組實(shí)驗(yàn)的變化檢測(cè)結(jié)果。

具體實(shí)施方式

本發(fā)明提出了一種基于超像素分割和特征學(xué)習(xí)的SAR圖像變化檢測(cè)算法，它屬于神經(jīng)網(wǎng)絡(luò)和圖像處理相結(jié)合的技術(shù)領(lǐng)域。主要提出了一種新的介于像素級(jí)別與目標(biāo)級(jí)別的新的超像素級(jí)別的變化檢測(cè)方法，對(duì)每個(gè)超像素塊運(yùn)用特征來(lái)描述，結(jié)合深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)得到學(xué)習(xí)好的特征網(wǎng)絡(luò)，最后得到變化檢測(cè)結(jié)果。本發(fā)明分為兩大步，一是生成初始二值圖，目的是獲取深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；二是訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，得到變化檢測(cè)結(jié)果。

初始二值圖的生成：首先對(duì)兩幅待檢測(cè)的SAR圖像應(yīng)用對(duì)數(shù)比值算子產(chǎn)生差異圖，然后應(yīng)用超像素分割技術(shù)(SLIC)對(duì)差異圖進(jìn)行分割，接著將差異圖的分割對(duì)應(yīng)到兩幅原圖中，這樣就保證了兩幅SAR圖像具有相同的分割，對(duì)兩幅SAR圖像分割的對(duì)應(yīng)分割區(qū)域進(jìn)行差異度量，得到一系列差異度量值，對(duì)這些度量值應(yīng)用模糊C均值聚類(lèi)(FCM)分成三類(lèi)，分別為變化類(lèi)、未變化類(lèi)、不確定類(lèi)。

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練：將差異圖的分割對(duì)應(yīng)到兩幅原圖和初始二值圖中，提取相同數(shù)量的變化和未變化像素塊作為訓(xùn)練樣本，提取訓(xùn)練樣本中的超像素塊的特征和對(duì)應(yīng)初始二值圖的標(biāo)簽訓(xùn)練堆棧自動(dòng)編碼器(SAE)，提取兩幅原圖中所有超像素塊的特征輸入到訓(xùn)練好的網(wǎng)絡(luò)中，得到最終的變化檢測(cè)結(jié)果。

參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：

步驟1、開(kāi)始基于超像素分割和特征學(xué)習(xí)的SAR圖像變化檢測(cè)方法。

步驟2、對(duì)兩幅配準(zhǔn)后的同一地區(qū)不同時(shí)相的SAR圖像進(jìn)行超像素分割。

2a)對(duì)兩幅配準(zhǔn)后的同一地區(qū)不同時(shí)相的SAR圖像應(yīng)用對(duì)數(shù)比值算子生成差異圖，對(duì)數(shù)比值算子為：

2b)應(yīng)用超像素分割技術(shù)對(duì)差異圖進(jìn)行分割，得到一個(gè)分割結(jié)果；

2c)用差異圖的分割結(jié)果去分割原來(lái)的輸入圖像。

步驟3、應(yīng)用差異度聚類(lèi)法生成初始變化結(jié)果(分成三類(lèi)：變化類(lèi)、未變化類(lèi)和不確定類(lèi)，Ω＝{Ω¹,Ω²,Ω³})。

3a)用(1)計(jì)算兩幅圖像I₁,I₂對(duì)應(yīng)分割區(qū)域R_x的相似度

其中R_x代表分割區(qū)域，N代表分割區(qū)域的像素點(diǎn)總數(shù)，I₁(i,j)和I₂(i,j)分別代表兩幅SAR圖像分割區(qū)域中的像素點(diǎn)灰度值。

3b)不斷重復(fù)步驟302，直到得到圖像對(duì)中所有超像素塊的相似度；

3c)運(yùn)用模糊C均值聚類(lèi)算法(FCM)將相似度分成3類(lèi)，分別標(biāo)記為變化類(lèi)，未變化類(lèi)和不確定類(lèi)。若為變化類(lèi)，則對(duì)應(yīng)的超像素分割區(qū)域內(nèi)像素值全部標(biāo)記為0；若為未變化類(lèi)，對(duì)應(yīng)超像素分割區(qū)域內(nèi)像素值全部標(biāo)記為255；若為不確定類(lèi)，對(duì)應(yīng)超像素分割區(qū)域內(nèi)像素值全部標(biāo)記為125。

步驟4、根據(jù)初始變化檢測(cè)結(jié)果在變化類(lèi)和未變化類(lèi)中選擇相同數(shù)量的樣本作為訓(xùn)練樣本。

4a)生成一個(gè)和超像素塊數(shù)目一樣的隨機(jī)索引序列；

4b)找到對(duì)應(yīng)標(biāo)號(hào)的超像素塊，若為變化類(lèi)或未變化類(lèi)則將超像素塊和標(biāo)簽提取出來(lái)作為訓(xùn)練樣本(選擇的正負(fù)樣例數(shù)相同)；

步驟5、將待訓(xùn)練樣本輸入到設(shè)計(jì)好的深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

5a)提取每一個(gè)超像素塊的協(xié)方差特征，分別為均值F_μ，方差對(duì)數(shù)規(guī)范化標(biāo)準(zhǔn)偏差F_nsd和填充因子F_η:

5b)將待訓(xùn)練樣本對(duì)應(yīng)超像素塊的協(xié)方差特征疊加起來(lái)作為輸入樣本，使用SAE預(yù)訓(xùn)練得到網(wǎng)絡(luò)的初始權(quán)值和偏置，網(wǎng)絡(luò)層數(shù)設(shè)為2個(gè)隱層，每一層的節(jié)點(diǎn)個(gè)數(shù)分別為100和20，SAE每層訓(xùn)練50代；

5c)使用最小交叉熵的共軛梯度BP神經(jīng)網(wǎng)絡(luò)對(duì)SAE預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行微調(diào)，訓(xùn)練代數(shù)為50代；

5d)獲得最終訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。

步驟6、將兩幅待檢測(cè)的圖像輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，得到最終的變化檢測(cè)結(jié)果。

其中，圖2是本發(fā)明對(duì)SAR圖像進(jìn)行超像素分割的子流程框圖；

圖3是差異度聚類(lèi)算法的子流程框圖；

圖4是選擇訓(xùn)練樣本的子流程框圖；

圖5是訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的流程圖；

圖6是本發(fā)明實(shí)現(xiàn)步驟的整體框架。

本發(fā)明的效果可通過(guò)以下仿真進(jìn)一步說(shuō)明：

1.仿真條件及仿真內(nèi)容：

本實(shí)例在Intel(R)Core(TM)2i7-5500U CPU@2.40GHz Windows 10系統(tǒng)下，Matlab(R2013a)運(yùn)行平臺(tái)上，完成本發(fā)明以及模糊C均值聚類(lèi)(FCM)和KI閾值分割法的圖像變化檢測(cè)仿真實(shí)驗(yàn)。

2.仿真參數(shù)

對(duì)于具有參考圖的實(shí)驗(yàn)仿真圖通常應(yīng)用定量的變化檢測(cè)結(jié)果分析：

A.計(jì)算漏檢個(gè)數(shù)：統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果圖中發(fā)生變化區(qū)域的像素個(gè)數(shù)，與參考圖中變化區(qū)域的像素個(gè)數(shù)進(jìn)行對(duì)比，把參考圖中發(fā)生變化但實(shí)驗(yàn)結(jié)果圖中檢測(cè)為未變化的像素個(gè)數(shù)成為漏檢個(gè)數(shù)FN；

B.計(jì)算錯(cuò)檢個(gè)數(shù)：統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果圖中未發(fā)生變化區(qū)域的像素個(gè)數(shù)，與參考圖中未變化區(qū)域的像素個(gè)數(shù)進(jìn)行對(duì)比，把參考圖中未發(fā)生變化但實(shí)驗(yàn)結(jié)果圖中檢測(cè)為變化的像素個(gè)數(shù)稱(chēng)為錯(cuò)檢個(gè)數(shù)FP；

C.正確分類(lèi)的概率PCC:PCC＝(TP+TN)/(TP+FP+TN+FN)；

D.衡量檢測(cè)結(jié)果圖與參考圖一致性的Kappa系數(shù)：Kappa＝(PCC-PRE)/(1-PRE)，其中，

3.仿真實(shí)驗(yàn)內(nèi)容

A.本發(fā)明圖像變化檢測(cè)方法的仿真

將本發(fā)明應(yīng)用在如圖7所示的Ottawa地區(qū)遭遇水災(zāi)前后的兩幅SAR圖像上，其大小均為290×350，圖7(a)和圖7(b)的拍攝時(shí)間分別為1997.05和1997.08。用步驟102的方法對(duì)兩幅進(jìn)行超像素分割，如圖8(a)和圖8(b)所示；接著用步驟103的方法生成初始二值圖用來(lái)提取訓(xùn)練集，初始二值圖如圖9所示，其中黑色是未變化部分，白色是變化部分，灰色是不確定部分；然后訓(xùn)練網(wǎng)絡(luò)，用步驟104，步驟105，步驟106的方法生成最終的變化檢測(cè)結(jié)果，如圖10所示，其中黑色部分表示未變化部分，白色部分表示變化部分。

將本發(fā)明應(yīng)用在如圖12所示的黃河內(nèi)河河口的兩幅SAR圖像上，其大小均為444×291，圖12(a)和圖12(b)的拍攝時(shí)間分別為2008.07和2009.07。用步驟102的方法對(duì)兩幅進(jìn)行超像素分割，如圖13(a)和圖13(b)所示；接著用步驟103的方法生成初始二值圖用來(lái)提取訓(xùn)練集，初始二值圖如圖14所示，其中黑色是未變化部分，白色是變化部分，灰色是不確定部分；然后訓(xùn)練網(wǎng)絡(luò)，用步驟104，步驟105，步驟106的方法生成最終的變化檢測(cè)結(jié)果，如圖15所示，其中黑色部分表示未變化部分，白色部分表示變化部分。

B.現(xiàn)有FCM聚類(lèi)法和KI閾值法圖像變化檢測(cè)方法的仿真

將現(xiàn)有的經(jīng)典的SAR圖像變化檢測(cè)方法FCM聚類(lèi)算法應(yīng)用在如圖7所示290×350的SAR圖像上，仿真實(shí)驗(yàn)結(jié)果如圖11(a)所示，其中黑色區(qū)域代表圖像中未變化部分，白色區(qū)域代表圖像中變化部分；將現(xiàn)有的KI閾值分割方法應(yīng)用在如圖7所示的SAR圖像上，仿真實(shí)驗(yàn)結(jié)果如圖11(b)所示，其中黑色區(qū)域代表圖像中未變化部分，白色區(qū)域代表圖像中變化部分。

將現(xiàn)有的經(jīng)典的SAR圖像變化檢測(cè)方法FCM聚類(lèi)算法應(yīng)用在如圖12所示444×291的SAR圖像上，仿真實(shí)驗(yàn)結(jié)果如圖16(a)所示，其中黑色區(qū)域代表圖像中未變化部分，白色區(qū)域代表圖像中變化部分；將現(xiàn)有的KI閾值分割方法應(yīng)用在如圖12所示的SAR圖像上，仿真實(shí)驗(yàn)結(jié)果如圖16(b)所示，其中黑色區(qū)域代表圖像中未變化部分，白色區(qū)域代表圖像中變化部分。

3.仿真實(shí)驗(yàn)結(jié)果

從兩組實(shí)驗(yàn)對(duì)應(yīng)的變化檢測(cè)結(jié)果如圖11和圖16所示，本發(fā)明得到的仿真實(shí)驗(yàn)結(jié)果明顯具有較好的主觀視覺(jué)效果。第一組實(shí)驗(yàn)相對(duì)來(lái)說(shuō)場(chǎng)景簡(jiǎn)單，變化明顯，噪聲因素影響不大，所以三組實(shí)驗(yàn)都能反映變化信息，但是FCM算法和KI閾值法不能有效的抑制相干斑噪聲的影響，結(jié)果中存在很多噪聲點(diǎn)，而本發(fā)明的得到的仿真實(shí)驗(yàn)結(jié)果明顯對(duì)噪聲具有魯棒性，更接近于參考圖；第二組實(shí)驗(yàn)場(chǎng)景復(fù)雜，噪聲因素影響較大，所以可以看出來(lái)經(jīng)典的方法不能很好的控制噪聲，造成變化檢測(cè)結(jié)果被嚴(yán)重污染，如圖16(a)和圖16(b)所示。為了進(jìn)一步驗(yàn)證本發(fā)明的良好效果，在實(shí)驗(yàn)過(guò)程中還對(duì)所有變化檢測(cè)結(jié)果進(jìn)行了變化檢測(cè)指標(biāo)評(píng)價(jià)。表1和表2分別為兩組實(shí)驗(yàn)的不同方法的指標(biāo)。

表1 Ottawa實(shí)驗(yàn)集三組實(shí)驗(yàn)指標(biāo)

第一組實(shí)驗(yàn)圖像的指標(biāo)如表1所示，由于像素點(diǎn)總數(shù)非常多，所以導(dǎo)致PCC的結(jié)果都很高，但是本發(fā)明的方法相對(duì)于對(duì)比實(shí)驗(yàn)有最高的PCC指標(biāo)。Kappa指標(biāo)能比較好的反映出結(jié)果差異的大小，我們可以看出來(lái)三種方法的Kappa指標(biāo)都維持在了較高的水平，但是本發(fā)明的方法仍然得到了最好的效果。

表2 黃河內(nèi)河河口實(shí)驗(yàn)集三組實(shí)驗(yàn)指標(biāo)

第二組實(shí)驗(yàn)圖像的指標(biāo)如表2所示。本組實(shí)驗(yàn)由于場(chǎng)景復(fù)雜，相干斑噪聲影響較大，所以實(shí)驗(yàn)結(jié)果差距比較大。從PCC可以看出，在總像素點(diǎn)很多的情況下結(jié)果仍然產(chǎn)生了較大的差距，就說(shuō)明對(duì)比實(shí)驗(yàn)中的FCM算法和KI算法對(duì)噪聲敏感，而本發(fā)明的方法對(duì)噪聲有著很強(qiáng)的魯棒性；從Kappa指標(biāo)可以得出，本發(fā)明的方法要遠(yuǎn)好于傳統(tǒng)的FCM算法和KI閾值算法。通過(guò)這些指標(biāo)可以定量的看出本發(fā)明應(yīng)用于SAR圖像變化檢測(cè)產(chǎn)生了較好的效果。

綜上所述，與現(xiàn)有的技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

1.突破了傳統(tǒng)的基于像素點(diǎn)和基于目標(biāo)的變化檢測(cè)方法，提供了一種介于像素級(jí)別和目標(biāo)級(jí)別的超像素級(jí)別的變化檢測(cè)的技術(shù)；

2.通過(guò)深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練兩幅SAR圖像的非線性關(guān)系，可以對(duì)噪聲有很強(qiáng)的魯棒性，不需要在預(yù)處理過(guò)程中對(duì)圖像進(jìn)行濾波操作，避免了圖像細(xì)節(jié)的丟失；

3.以超像素塊為處理基準(zhǔn)，通過(guò)特征提取的方法用超像素塊的特征表征該塊，應(yīng)用堆疊自動(dòng)編碼器(SAE)進(jìn)行訓(xùn)練，通過(guò)對(duì)特征的無(wú)監(jiān)督學(xué)習(xí)得到一個(gè)可以處理兩幅圖像非線性關(guān)系的網(wǎng)絡(luò)，使得結(jié)果更加穩(wěn)定。

本發(fā)明提出的介于像素級(jí)別和目標(biāo)級(jí)別的超像素級(jí)別的SAR圖像變化檢測(cè)的效果明顯優(yōu)于經(jīng)典的FCM聚類(lèi)算法和KI閾值分割算法對(duì)于SAR圖像變化檢測(cè)的效果，能夠更加有效的應(yīng)用在SAR圖像變化檢測(cè)中。

本實(shí)施方式中沒(méi)有詳細(xì)敘述的部分屬本行業(yè)的公知的常用手段，這里不一一敘述。以上例舉僅僅是對(duì)本發(fā)明的舉例說(shuō)明，并不構(gòu)成對(duì)本發(fā)明的保護(hù)范圍的限制，凡是與本發(fā)明相同或相似的設(shè)計(jì)均屬于本發(fā)明的保護(hù)范圍之內(nèi)。