一种基于稀疏表示和胶囊网络的SAR图像变化检测方法技术

本发明专利技术提供一种基于稀疏表示和胶囊网络的SAR图像变化检测方法，实现步骤包括：(1)选取两幅多时相SAR图像X1和X2，利用邻域对数比算子获取差分图像；(2)通过稀疏表示的方法提取差分图上的稀疏特征,生成特征图；(3)通过模糊聚类的方法FCM获得初始分类的伪标签,采取高置信度样本的挑选原则,从所述特征图上挑选合适样本制作样本集；(4)构造改进的胶囊网络，输入通过稀疏表示提取的特征图，训练优化网络；(5)测试网络，生成变化检测图。本发明专利技术充分考虑了SAR图像的空间邻域信息，利用稀疏表示和胶囊网络相结合，不仅减少了散斑噪声的影响，而且提取到了图像的深层次特征，提高了SAR图像变化检测的精度和速度。图像变化检测的精度和速度。图像变化检测的精度和速度。

【技术实现步骤摘要】
一种基于稀疏表示和胶囊网络的SAR图像变化检测方法


[0001]本专利技术涉及图像处理
，特别是涉及一种基于稀疏表示和胶囊网络的SAR图像变化检测方法，在农业调查、森林监测、自然灾害预警等领域具有重要的研究价值。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波传感器，其成像技术是利用综合孔径的原理提高方位分辨率，进而捕获到大面积高分辨率的SAR图像。遥感中的变化检测是对同一地理区域内不同时间获取的两幅SAR图像进行分析，识别出其中的变化区域。SAR成像由于不受光照、天气等外在条件的影响，能够对地目标进行全天候、大面积的探测，使得SAR图像的变化检测在农业调查、森林监测、自然灾害预警等方面具有重要的研究意义。
[0003]传统的变化检测过程通常分为三个步骤：图像预处理；生成差异图；对差异图进行分析和处理。传统方法在抑制噪声和保留图像的细节信息上效果不佳，容易丢失图像边缘信息，忽略邻域信息，导致变化检测的精度不高。近几年随着人工智能和深度学习的不断发展和普及，许多学者利用深度学习中神经网络的知识，提出了新的变化检测方法，在很大程度上提高了变化检测的准确度。比如应用广泛的卷积神经网络、深度置信网络以及生成对抗网络等通过训练分类器提取样本中的特征及空间关系，学习不同类别的特征，进而区分开变化区域和未变化区域。虽然卷积神经网络在SAR图像变化检测任务中已经达到了较好的检测效果，但是对一些倾斜、旋转物体，CNN表现出来的效果都不是很令人满意。另外，卷积网络需要大量的数据来泛化，用于网络的学习，这对于SAR图像的变化检测任务是一大难点。
[0004]因此如何提供一种新的方法能够在保留SAR图像关键位置信息的基础上减少神经网络对数据集数量的要求，提高SAR图像变化检测的检测精度和速度是亟待解决的技术问题。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术提供一种基于稀疏表示和胶囊网络的SAR图像变化检测方法，更加适用于小数据集上的变化检测任务，能够提高检测的精度和速度。
[0006]为实现上述目的，本专利技术提供了如下方案，包括以下步骤：
[0007]S1、选取同一地理区域在不同时刻t1和t2的两幅SAR图像，其中t1时刻的SAR图像表示为X1＝{X1(i，j)，1≤i≤I，1≤j≤J}，t2时刻的SAR图像表示为X2＝{X2(i，j)，1≤i≤I，1≤j≤J}，通过邻域对数比算子生成图像X1和图像X2的差分图像；
[0008]S2、通过KSVD方法从所述差分图像上学习字典，通过字典更新和稀疏编码获得所述差分图像上每个像素的稀疏特征，生成特征图；
[0009]S3、通过FCM方法从所述差分图像上获得初始分类结果，作为样本集的伪标签，稀疏表示之后的特征图作为样本，并采取一种高置信度样本的挑选原则，选择合适的样本作
为训练集；
[0010]S4、构建一种改进的胶囊网络模型，输入所述训练集，来训练胶囊网络学习图像的深层特征；
[0011]S5、测试胶囊网络，输出预测标签结果，生成变化检测图。
[0012]优选地，S2中所述特征图的生成过程为：
[0013]从所述差分图像上以每个像素点为中心构造邻域大小为n
×
n的样本图像块，随机选取所述图像块将其拉成列向量，作为训练样本；通过KSVD方法从所述训练样本上学习字典，通过字典更新和稀疏编码获得所述差分图像上每个像素的稀疏特征，得到稀疏表示的特征图。
[0014]优选地，将S3中所述差分图像通过FCM方法生成预分类结果作为伪标签，所述伪标签中包含“0”和“1”两类，分别表示未变化类和变化类；将所述稀疏表示之后获得的每个像素的特征图作为样本集，采用高置信度样本选择方法，通过少数服从多数的策略从所述样本集中筛选合适的样本组成训练样本集。
[0015]优选地，S4中所述改进的胶囊网络模型包括四部分：卷积层、主胶囊层、路由胶囊层、数字胶囊层。
[0016]优选地，所述胶囊网络模型主要对卷积层进行了改进，将卷积层增加为三层，在保证能提取到关键特征的基础上，减少了网络的训练参数，降低了网络复杂度，加快了网络训练学习速度。
[0017]优选地，所述主胶囊层主要利用类卷积运算和压缩激活函数得到输出的胶囊向量，识别对象的判别特征；所述路由胶囊层采用动态路由机制，通过胶囊输出向量和预测向量间的点积运算来计算输入输出之间的相似性，进而更新网络的耦合系数；所述数字胶囊层设置了两个胶囊，每个胶囊代表一个类别，输出的胶囊向量的长度表示识别为某个类别的概率值。
[0018]优选地，所述S4中胶囊网络训练过程中保存损失值最小时的网络权值,将所述稀疏表示之后所有的特征图作为测试集,输入训练好的胶囊网络，调用训练好的权值，输出测试集对应的预测标签值。
[0019]本专利技术公开了以下技术效果：
[0020]本专利技术提出了改进的胶囊网络模型，设计了一种轻量级的胶囊网络，适合小样本数据集的学习；对主胶囊层之前的卷积层进行了改进，增加卷积层层数，减少卷积层的深度。采用三层卷积层，卷积核数量逐层增加，在保证能提取到关键特征的基础上，减少了网络的训练参数，降低了网络复杂度，加快了网络训练学习速度。
[0021]本专利技术还提出了一种稀疏表示和胶囊网络相结合的SAR图像变化检测方法。对差异图像通过稀疏表示的方法进行特征学习，将差异图上的像素信息转换到特征空间，可以进一步降低噪声的影响；将提取到的特征作为胶囊网络的输入，训练网络学习更深层的特征。本专利技术能够在提高变化检测准确度的同时，减少了网络的训练参数，提高了网络的训练速度。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本专利技术基于稀疏表示和胶囊网络的SAR图像变化检测方法流程图；
[0024]图2为本专利技术中所用到的验证数据集伯尔尼数据集，图2(a)由欧洲遥感2号卫星SAR传感器于1999年4月在瑞士伯尔尼市附近地区获取的SAR图像，图2(b)为欧洲遥感2号卫星SAR传感器于1999年5月在瑞士伯尔尼市附近地区获取的SAR图像，
[0025]图2(c)为人工定义的参考图，
[0026]图2(d)为本专利技术提出方法的仿真变化检测结果图；
[0027]图3为本专利技术中所用到的验证数据集渥太华数据集，图3(a)1997年5月在加拿大渥太华市上空雷达卫星SAR传感器获得的图像，图3(b)为1997年8月在加拿大渥太华市上空雷达卫星SAR传感器获得的图像，
[0028]图3(c)为人工定义的参考图，
[0029]图3(d)为本专利技术提出方法的仿真变化检测结果图；
[0030]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏表示和胶囊网络的SAR图像变化检测方法，其特征在于，包括以下步骤：S1、选取同一地理区域在不同时刻t1和t2的两幅SAR图像，其中t1时刻的SAR图像表示为X1＝{X1(i,j),1≤i≤I,1≤j≤J}，t2时刻的SAR图像表示为X2＝{X2(i,j),1≤i≤I,1≤j≤J}，通过邻域对数比算子生成图像X1和图像X2的差分图像；S2、通过KSVD方法从所述差分图像上学习字典，通过字典更新和稀疏编码获得所述差分图像上每个像素的稀疏特征，生成特征图；S3、通过FCM方法从所述差分图像上获得初始分类结果，作为样本集的伪标签，稀疏表示之后的特征图作为样本，并采取高置信度样本的挑选原则，选择合适的样本作为训练集；S4、构建改进的胶囊网络模型，输入所述训练集，来训练胶囊网络学习图像的深层次特征；S5、测试胶囊网络，输出预测标签结果，生成变化检测图。2.根据权利要求1所述的基于稀疏表示和胶囊网络的SAR图像变化检测方法，其特征在于，所述步骤S2中所述特征图的生成过程为：从所述差分图像上以每个像素点为中心构造邻域大小为n
×
n的样本图像块，随机选取所述图像块将其拉成列向量，作为训练样本；通过KSVD方法从所述训练样本上学习字典，通过字典更新和稀疏编码获得所述差分图像上每个像素的稀疏特征，得到稀疏表示的特征图。3.根据权利要求1所述的基于稀疏表示和胶囊网络的SAR图像变化检测方法，其特征在于，将所述步骤S3中所述差分图像通过FCM方法生成预分类...

【专利技术属性】
技术研发人员：王亚男，王少娜，刘阳，李林林，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：