论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的成像雷达,它具有全天候、全天时以及不受环境影响等特点,其所成的图像称为SAR图像。由于合成孔径雷达的优异特点,对SAR图像的研究日益成为遥感图像领域的研究热点。同时随着合成孔径雷达的星载和机载平台的不断发展,合成孔径雷达可以较为容易获得同一地区不同时段的多幅SAR图像。通过对同一地区不同时段的多幅SAR图像进行分析,检测出某一个地区地物变化情况的过程称为SAR图像变化检测技术,这种技术可以广泛应用于农田监测、分析农作物生长状况、城区规划、自然灾害评估等诸多生产建设活动中。因此,SAR图像变化检测技术成为遥感图像处理领域的研究热点。深度学习通过模拟人脑的工作机制,建立人工神经网络来对现实生活中的图像、语音和视频等抽象数据进行处理。近年来,深度神经网络中的深度卷积神经网络由于其优异的图像特征提取能力,被广泛应用在图像处理领域。本文使用卷积神经网络来对两时段SAR图像进行特征提取,结合有监督和无监督的分类算法,提出了基于残差网络和生成对抗网络的两种SAR图像变化检测方法。本文的重点如下:1.针对SAR图像变化检测过程中,需要使用对SAR图像进行滤波操作,以及需要构造差异图的步骤。本文提出的基于残差网络和模糊聚类的SAR图像变化检测方法,避免了这两个步骤,通过构造一个卷积残差网络,直接将两张SAR图像上以像素点为中心的邻域窗口输入到残差网络中来提取两时相SAR图像像素点的差异特征。其次,针对训练残差网络需要采用有监督的方式进行训练,提出了一种基于空间距离加权的标签选择方法来为训练残差网络构造训练样本和标签。随后将残差网络和模糊聚类算法相结合,使用模糊C均值聚类算法对残差网络所学习的两时段SAR图像像素点的差异特征进行分类。使用本方法在不同的标准数据集进行实验,均获得了表现出良好的检测性能。2.针对SAR图像噪声点较多,需要选择合适的去噪算法。结合生成对抗网络模型,本文提出一种基于生成对抗网络特征学习的SAR图像变化检测方法。该方法避免了滤波算子和构造差异图的过程。通过构造两个卷积神经网络分别作为生成对抗网络模型的判别器和生成器,随后利用生成对抗网络的判别器无监督的提取两时相SAR图像的高维特征。同时结合本文提出的基于SAR图像像素点空间距离加权标签选择方法,有监督的训练分类器来二分类判别器所提取的高维特征。针对生成对抗网络模型需要学习到一个有效的生成网络来产生高质量的假的图像,该方法直接利用判别器来提取两时相SAR图像像素点的邻域信息的高维差异特征,有效的抑制了SAR图像噪声。通过在不同的标准数据集上进行实验,实验验证了本方法在兼顾良好的抗噪声性能的情况下,获得了不错的性能。