一种网络参数和结构协同优化的SAR图像变化检测方法技术

本发明专利技术公开了一种网络参数和结构协同优化的SAR图像变化检测方法，包括：对同一地点不同时刻的两幅SAR图像得到去噪SAR图像；基于邻域波动性进行像素邻域信息分析生成相似性矩阵；分割相似性矩阵得到伪标签矩阵；生成样本集并选出训练样本集；设定卷积神经网络结构遍历空间，利用多目标优化算法采用上下两层的显著代理模型协同优化网络结构与权重参数，寻求最优分类网络模型得到一组帕累托前沿面；选择拐点处的解得到表示最优性能的卷积神经网络结构与相关参数，重新训练得到变化检测分类网络；输入样本集得到变化检测结果。本发明专利技术不生成差异图，引入协同进化思想自动高效寻求最优网络结构和参数配置，能提高检测精度，降低计算复杂性。算复杂性。算复杂性。

【技术实现步骤摘要】
一种网络参数和结构协同优化的SAR图像变化检测方法


[0001]本专利技术属于遥感图像变化检测领域，具体涉及一种网络参数和结构协同优化的SAR图像变化检测方法。

技术介绍

[0002]变化检测是从同一地点不同时期的遥感数据中定量分析和确定地表变化特征与变化过程。合成孔径雷达(Synthetic Aperture Radar，SAR)具有全天时、全天候、分辨率高等特点，相对于可见光、红外传感器等具有不受天气影响的优势，因而在遥感领域得到了广泛的应用。SAR图像的变化检测技术已经在国土测量、灾害评估与建筑规划等领域得到了广泛的应用。而由于其特殊的成像机制，SAR图像固有的相干斑噪声会对其变化检测过程产生影响。
[0003]传统的SAR图像变化检测技术通常分为预处理、生成差异图和差异图分析三个步骤。预处理步骤主要包括配准、几何校正及图像去噪等。生成差异图步骤是将不同时刻的两幅图像进行比较并生成差异图，在差异图中，变化区域的像素和非变化区域的像素在灰度上将呈现出明显的差异。差异图分析步骤是将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。其中，差异图的生成与分析是SAR图像变换检测技术中的重要步骤，而差异图的质量会直接影响变化检测的性能。
[0004]随着深度学习技术的飞速发展，越来越多的变化检测方法尝试通过训练深度神经网络来学习SAR图像的特征信息，并通过分类器对图像特征信息进行分类得到最终变化的结果，这些方法在一定程度上能够抑制相干斑噪声的干扰，提升变化检测的精度。例如，公开号为CN 111339827A，名称为《基于多区域卷积神经网络的SAR图像变化检测方法》的中国专利公开了一种变化检测方法，该方法对两幅SAR图像进行差异分析，得到差分图像；将差分图像进行预分类，得到构建的训练数据集和测试数据集；将样本训练数据集送入提出的多区域卷积神经网络中进行训练；将训练后的网络用于测试集测试，进而得到整幅同地多时相SAR图像的变化检测结果。然而，这类基于深度神经网络的变化检测方法中，神经网络的结构与参数设置都是基于经验主义设置，或者通过人工不断手动尝试，选择仿真实验中最优的网络层数、节点数、连接方式与相关的参数来确定最终的网络。但人为设计的网络框架，不但调参复杂、耗时严重，而且难以找到性能最优的架构与参数设置，因此会对变化检测的精度产生一定的不良影响。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种网络参数和结构协同优化的SAR图像变化检测方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]一种网络参数和结构协同优化的SAR图像变化检测方法，包括：
[0007]对同一地点不同时刻获取的两幅SAR图像进行去噪处理，分别得到去噪SAR图像；
[0008]基于邻域波动性，对两幅去噪SAR图像进行像素邻域信息分析，生成相似性矩阵；
[0009]利用预设的阈值分割算法分割所述相似性矩阵得到伪标签矩阵；其中，所述伪标签矩阵中的元素值为0和1分别表示所述两幅去噪后SAR图像中的未变化类和变化类；
[0010]利用所述两幅去噪SAR图像得到样本集，并利用所述伪标签矩阵从所述样本集中选出部分作为训练样本集；
[0011]设定用于变化检测分类的卷积神经网络的结构遍历空间，利用预设的多目标优化算法，采用上下两层的显著代理模型分别优化网络结构与网络权重参数，寻求最优分类网络模型，得到一组高检测精度与低计算复杂度的帕累托前沿面作为解集；
[0012]选择所述帕累托前沿面拐点处的解作为最终解，解码得到表示最优性能的卷积神经网络结构与相关参数，并利用得到的卷积神经网络结构和所述训练样本集重新进行网络训练，得到训练完成的变化检测分类网络；
[0013]将所述样本集输入所述变化检测分类网络，得到所述两幅SAR图像的变化检测结果。
[0014]在本专利技术的一个实施例中，所述基于邻域波动性，对两幅去噪SAR图像进行像素邻域信息分析，生成相似性矩阵，包括：
[0015]以每个像素为中心像素，利用预设大小的矩形滑窗，遍历计算每个像素位置处针对所述两幅去噪SAR图像的邻域异质性值，得到所述两幅去噪SAR图像的邻域异质性函数；
[0016]利用所述两幅去噪SAR图像构建邻域暗像素相似度函数和邻域明像素相似度函数；其中，所述邻域暗像素相似度函数表示所述两幅去噪SAR图像在同一位置的矩形滑窗区域内，最小中心像素灰度值与最小邻域像素灰度值之间的接近度；所述邻域明像素相似度函数表示所述两幅去噪SAR图像在同一位置的矩形滑窗区域内，最大中心像素灰度值与最大邻域像素灰度值之间的接近度；
[0017]利用所述两幅去噪SAR图像构建波动参数函数；其中，所述波动参数函数表示所述两幅去噪SAR图像在同一位置的矩形滑窗区域内，中心像素灰度值与邻域像素灰度值之间的接近度；
[0018]针对每个像素位置，判断所述波动参数函数、所述邻域暗像素相似度函数和所述邻域明像素相似度函数之间的关系，生成所述两幅去噪SAR图像的相似性矩阵。
[0019]在本专利技术的一个实施例中，所述邻域异质性函数的表达式，包括：
[0020][0021]其中，h(x)表示所述邻域异质性函数；μ(x)表示所述两幅去噪SAR图像在同一矩形滑窗区域内所有像素灰度值的均值；σ(x)表示所述两幅去噪SAR图像在同一矩形滑窗区域内所有像素灰度值的方差值。
[0022]在本专利技术的一个实施例中，所述邻域暗像素相似度函数和所述邻域明像素相似度函数的表达式分别包括：
[0023][0024][0025]其中，f(x)表示所述邻域暗像素相似度函数；g(x)表示所述邻域明像素相似度函数；I1(x)和I2(x)分别表示所述两幅去噪SAR图像中的中心像素x的灰度值；I1(i)和I2(i)分别表示所述两幅去噪SAR图像的矩形滑窗内中心像素之外的邻域像素的灰度值；Ω
x
，i≠x表示中心像素x的邻域内除x之外的邻域像素的集合；i表示邻域像素的位置代号；min()表示求取最小值；max()表示求取最大值。
[0026]在本专利技术的一个实施例中，所述波动参数函数的表达式包括：
[0027][0028]其中，α(x)表示所述波动参数函数。
[0029]在本专利技术的一个实施例中，所述两幅去噪SAR图像的相似性矩阵的表达式包括：
[0030][0031]其中，S
ij
表示所述相似性矩阵；∧表示求并集。
[0032]在本专利技术的一个实施例中，所述利用所述两幅去噪SAR图像得到样本集，并利用所述伪标签矩阵从所述样本集中选出部分作为训练样本集，包括：
[0033]依据像素对准原则堆叠所述两幅去噪SAR图像，并对堆叠后的图像组进行栅格化分割得到大小一致呈正方形的若干个图块作为样本集；
[0034]针对每个图块，确定所述伪标签矩阵中与该图块的像素位置匹配的多个元素值中两种数值占用总数中的较大者，并将所述较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络参数和结构协同优化的SAR图像变化检测方法，其特征在于，包括：对同一地点不同时刻获取的两幅SAR图像进行去噪处理，分别得到去噪SAR图像；基于邻域波动性，对两幅去噪SAR图像进行像素邻域信息分析，生成相似性矩阵；利用预设的阈值分割算法分割所述相似性矩阵得到伪标签矩阵；其中，所述伪标签矩阵中的元素值为0和1分别表示所述两幅去噪后SAR图像中的未变化类和变化类；利用所述两幅去噪SAR图像得到样本集，并利用所述伪标签矩阵从所述样本集中选出部分作为训练样本集；设定用于变化检测分类的卷积神经网络的结构遍历空间，利用预设的多目标优化算法，采用上下两层的显著代理模型分别优化网络结构与网络权重参数，寻求最优分类网络模型，得到一组高检测精度与低计算复杂度的帕累托前沿面作为解集；选择所述帕累托前沿面拐点处的解作为最终解，解码得到表示最优性能的卷积神经网络结构与相关参数，并利用得到的卷积神经网络结构和所述训练样本集重新进行网络训练，得到训练完成的变化检测分类网络；将所述样本集输入所述变化检测分类网络，得到所述两幅SAR图像的变化检测结果。2.根据权利要求1所述的网络参数和结构协同优化的SAR图像变化检测方法，其特征在于，所述基于邻域波动性，对两幅去噪SAR图像进行像素邻域信息分析，生成相似性矩阵，包括：以每个像素为中心像素，利用预设大小的矩形滑窗，遍历计算每个像素位置处针对所述两幅去噪SAR图像的邻域异质性值，得到所述两幅去噪SAR图像的邻域异质性函数；利用所述两幅去噪SAR图像构建邻域暗像素相似度函数和邻域明像素相似度函数；其中，所述邻域暗像素相似度函数表示所述两幅去噪SAR图像在同一位置的矩形滑窗区域内，最小中心像素灰度值与最小邻域像素灰度值之间的接近度；所述邻域明像素相似度函数表示所述两幅去噪SAR图像在同一位置的矩形滑窗区域内，最大中心像素灰度值与最大邻域像素灰度值之间的接近度；利用所述两幅去噪SAR图像构建波动参数函数；其中，所述波动参数函数表示所述两幅去噪SAR图像在同一位置的矩形滑窗区域内，中心像素灰度值与邻域像素灰度值之间的接近度；针对每个像素位置，判断所述波动参数函数、所述邻域暗像素相似度函数和所述邻域明像素相似度函数之间的关系，生成所述两幅去噪SAR图像的相似性矩阵。3.根据权利要求2所述的网络参数和结构协同优化的SAR图像变化检测方法，其特征在于，所述邻域异质性函数的表达式，包括：其中，h(x)表示所述邻域异质性函数；μ(x)表示所述两幅去噪SAR图像在同一矩形滑窗区域内所有像素灰度值的均值；σ(x)表示所述两幅去噪SAR图像在同一矩形滑窗区域内所有像素灰度值的方差值。4.根据权利要求3所述的网络参数和结构协同优化的SAR图像变化检测方法，其特征在于，所述邻域暗像素相似度函数和所述邻域明像素相似度函数的表达式分别包括：
其中，f(x)表示所述邻域暗像素相似度函数；g(x)表示所述邻域明像素相似度函数；I1(x)和I2(x)分别表示所述两幅去噪SAR图像中的中心像素x的灰度值；I1(i)和I2(i)分别表示所述两幅去噪SAR图像的矩形滑窗内中心像素之外的邻域像素的灰度值；Ω
x
，i≠x表示中心像素x的邻域内除x之外的邻域像素的集合；i表示邻域像素的位置代号；min()表示求取最小值；max()表示求取最大值。5.根据权利要求4所述的网络参数和结构协同优化的SAR图像变化检测方法，其特征在于，所述波动参数函数的表达式包括：其中，α(x)表示所述波动参数函数。6.根据权利要求5所述的网络参数和结构协同优化的SAR图像变化检测方法，其特征在于，所述两幅去噪SAR图像的相似性矩阵的表达式包括：其中，S
ij
表示所述相似性矩阵；∧表示求并集。7.根据权利要求1所述的网络参数和结构协同优化的SAR图像变化检测方法，其特征在于，所述利用所述两幅去噪SAR图像得到样本集，并利用所述伪标签矩阵从所述样本集中选出部分作为训练样本集，包括：依据像素对准原则堆叠所述两幅去噪SAR图像，并对堆叠后的图像组进行栅格化分割得到大小一致呈正方形的若干个图块作为样本集；针对每个图块，确定所述伪标签矩阵中与该图块的像素位置匹配的多个元素值中两种数值占用总数中的较大者，并将所述较大者对应的元素值确定为该图块的标签类别；针对每个图块，统计该图块的所有邻域图块中与该图块的标签类别相同的邻域图块的数量作为该图块的同类标签邻域块数；
对每一个标签类别对应的图块集合，均依据同类标签邻域块数由大至小的顺序进行图块排序，并按照预设比例选取出排列在前的多个图块，由两个标签类别选取出的所有图块构成训练样本集。8.根据权利要求7所述的网络参数和结构协同优化的SAR图像变化检测方法，其特征在于，所述设定用于变化检测分类的卷积神经网络的结构遍历空间，利用预设的多目标优化算法，采用上下两层的显著代理模型分别优化网络结构与网络权重参数，寻求最优分类网络模型，得到一组高检测精度与低计算复杂度的帕累托前沿面作为解集，包括：定义SA...

【专利技术属性】
技术研发人员：公茂果，高天启，李豪，武越，张明阳，王善峰，刘洁怡，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：