论文部分内容阅读
图像变化检测是指对同一地区不同时相的两幅或多幅图像进行分析,得到图像中发生变化的区域。合成孔径雷达(Synthetic Aperture Radar,SAR)具有不受天气和时间限制的工作能力,在农、林、水、自然灾害、城市建设等民用领域和军事领域均具有广泛的应用前景。因此,SAR图像成为变化检测的一种数据来源。本文基于图像显著性和深度学习,提出了三种新的SAR图像变化检测方法。1.提出一种基于堆栈自编码网络(Stacked Auto-Encoder,SAE)提取显著性区域的高分辨SAR图像变化检测方法。该方法分为显著性区域提取和变化区域检测两个步骤。显著性区域提取过程中,首先通过堆栈自编码网络提取图像深层特征,并对特征差异性分析获得单尺度显著性区域,然后修改样本块大小得到多尺度下的显著性区域并融合,得到最终显著性区域。变化区域检测过程中,采用模糊C均值聚类对显著性区域像素值进行聚类得到变化检测结果。本方法的关键在于显著区域的提取过程中,堆栈自编码网络的引入,克服了以往显著性检测方法中对图像隐含信息利用不充分和阈值选取困难的问题;多尺度显著性区域的融合提高了显著性区域的查全率,更有利于后期变化检测精度的提高。2.提出一种基于曲线波SAE网络的高分辨SAR图像变化检测方法。该方法分为显著性区域提取和变化区域检测两步:显著性区域提取同算法1;变化区域检测基本思想为,先将待检测图像通过曲线波层提取特征,然后在该特征的基础上通过堆栈自编码网络进行深层特征学习,最后对深层特征差异性聚类得到检测结果。曲线波SAE网络中引入曲线波层,提取图像多尺度多方向的特征,加强了网络的特征表示能力,可以更好的捕捉图像的边缘及纹理信息,提升纹理变化区域检测效果。3.提出一种基于增量卷积自编码网络(Incremental Convolutional Auto-Encoder,ICAE)的高分辨SAR图像变化检测方法。该方法首先通过ICAE网络逐层提取图像特征,并对特征差异性进行聚类得到初始检测结果,然后将初始检测结果作为监督信息精调网络,经过多次迭代训练网络并优化聚类结果,得到最终检测结果。该方法将增量学习方式应用于卷积自编码网络训练过程,提出了增量卷积自编码网络,提高了网络对数据的自适应能力和泛化性能;将聚类结果作为ICAE网络的监督信息精调网络,使网络能学习到变化检测任务相关的特征。实验证明该方法在五组数据上都取得了较好的结果。