基于深度置信網絡的極化SAR影像變化檢測方法與流程

本發明屬于圖像處理領域，涉及一種基于深度置信網絡的極化sar影像變化檢測方法。
背景技術：
：極化sar是一種高分辨率主動式有源微波遙感成像雷達，具有全天候、全天時、分辨率高、可側視成像等優點，能獲得目標更豐富的信息。極化sar圖像變化檢測方法是一種通過對不同時期同一地點的極化sar成像比較分析，根據信息間的差異來獲得同一地理位置不同時段地物信息變化的方法。極化sar變化檢測在軍事領域、民用領域等有著廣泛的應用。相比于sar圖像，極化sar圖像包含的信息量更加豐富，繼而能夠更加完整的揭示目標的散射機理。但是由于極化sar數據存在復雜性等原因，使得針對極化sar圖像的變化檢測研究相對緩慢。經典的極化sar變化檢測主要流程包括有預處理、差異圖提取、閾值分割、后處理以及圖像融合等，其中差異圖提取與閾值分割最為核心。其中比較經典的算法有：極化似然比變化檢測算法，該算法的應用前提是地物目標的極化協方差矩陣滿足wishart分布，但實際地物散射特性較為復雜，有時很難滿足該條件，因此，使該算法的通用性受到限制；基于極化距離變化檢測算法，該算法是針對復雜場景下某一特定類地物的變化而提出的；基于極化對比增強的變化檢測算法，該算法利用極化對比度理論來提高變化區域與不變區域的對比度，以此來獲得更好的檢測效果；基于聯合加權極化差異度的變化檢測算法，該算法無需知道圖像的統計分布，通用性強。這些極化sar變化檢測方法由于均沒有考慮到極化sar圖像的深層特征表示，因而對背景復雜的極化sar圖像難以得到較高的分類精度。技術實現要素：本發明的目的在于針對上述現有技術中的問題，提供一種基于深度置信網絡的極化sar影像變化檢測方法，通過引入深度學習的方法，提高變化的檢測精度。為了實現上述目的，本發明采用的技術方案包括以下步驟：1)輸入待檢測的兩幅同一地區、不同時相的極化sar影像；2)對兩幅極化sar影像進行數據配準；3)對配準后的極化sar影像通過濾波進行降斑；4)對降斑后的極化sar影像進行初步人工標記；5)由兩幅極化sar影像的極化散射矩陣s分別求得極化相干矩陣ta和tb；6)分別提取極化相干矩陣的對角線元素，級聯構成基于像素點的特征矩陣f；7)將特征矩陣f中的元素值歸一化到[0，1]之間，記作f1；8)根據歸一化后的特征矩陣f1，取每個元素周圍方塊范圍內的元素來代表原來的元素值，構成基于圖像塊的特征矩陣f2；9)構造訓練數據集d的特征矩陣d1以及測試數據集t的特征矩陣t1；10)構造基于深度置信網絡的檢測模型；11)用構造的數據集對檢測模型進行訓練，得到訓練好的模型；12)利用訓練好的模型對待檢測圖像進行檢測，得到待檢測圖像中，兩個時相對應每個像素點的類別，劃分為變化類和未變化類。所述的步驟2)通過envi軟件對兩幅不同時相的極化sar影像進行數據配準。所述的步驟3)對配準后的極化sar影像通過精致lee濾波進行降斑。所述的步驟5)在后向散射的情況下，因為互異性有shv＝svh＝sx；其中：式中，<·>表示在假設隨機散射介質各向同性下的空間平均統計特性。步驟6)待檢測的兩幅極化sar影像通過東京的alos傳感器獲取l波段全極化數據，影像大小為500*500；構成特征矩陣f的具體步驟包括：6a)已知待檢測的兩幅同一地區、不同時相的極化sar影像的極化相干矩陣ta和tb，由a時相的極化相干矩陣ta得到其對角線上的三個元素ta11、ta22、ta33，分別代表極化相干矩陣ta第1行第1列的元素、極化相干矩陣ta第2行第2列的元素、極化相干矩陣ta第3行第3列的元素；b時相的極化sar影像進行同樣的處理，由b時相的極化相干矩陣tb得到其對角線上的三個元素tb11、tb22、tb33，表示極化相干矩陣tb第1行第1列的元素、極化相干矩陣tb第2行第2列的元素、極化相干矩陣tb第3行第3列的元素；6b)定義一個大小為m1×m2×6的矩陣f，將ta11、ta22、ta33，tb11、tb22、tb33進行級聯，并賦給矩陣f，得到基于像素點的特征矩陣f；其中m1為待檢測極化sar影像的長，m2為待檢測極化sar影像的寬；f＝[ta11、ta22、ta33；tb11、tb22、tb33]。步驟7)先求出特征矩陣f絕對值的對數值log(abs(f))，得到對數特征矩陣log_f；再將對數特征矩陣log_f中的每個元素均減去最小值min(log_f)，得到特征矩陣m_f；最后將特征矩陣m_f中的每個元素均除以max(m_f)，得到歸一化后的特征矩陣f1，式中log_f＝log(abs(f))m_f＝log_f-min(log_f)。f1＝m_f/max(m_f)所述的步驟8)中取每個元素周圍5*5的塊代表原來的元素值。所述步驟9)的具體操作為：9a)構造2分類問題，0表示未變化，1表示變化，記錄每個類別對應的像素點在待檢測圖像中的位置，生成兩種對應不同類像素點的位置a1、a2，其中，a1對應變化類像素點在待檢測圖像中的位置，a2對應未變化類像素點在待檢測圖像中的位置；9b)若a1<a2，則從a1、a2中隨機選取個元素，否則，從a1、a2中隨機選取個元素，之后生成2種對應不同類別的樣本，作為訓練數據集像素點的位置b1、b2，其中，b1為對應變化類中被選作訓練數據集的像素點在待檢測圖像中的位置，b2為對應未變化類中被選作訓練數據集的像素點在待檢測圖像中的位置；將b1、b2中的元素合并，打亂并組成訓練數據集的所有像素點在待檢測圖像中的位置l1，構成訓練數據d；9c)用a1、a2中的其余元素生成2種對應不同類別的樣本，作為測試數據集的像素點的位置c1、c2，其中c1為對應變化類中被選作測試數據集的像素點在待檢測圖像中的位置，c2為對應未變化類中被選作測試數據集的像素點在待檢測圖像中的位置；將c1、c2中的元素合并，打亂并組成測試數據集的所有像素點在待檢測圖像中的位置l2，構成測試數據t；9d)定義訓練數據集d的特征矩陣d1，在基于圖像塊的特征矩陣f2中依據l1取對應位置上的值，并賦值給訓練數據集d的特征矩陣d1；9e)定義測試數據集t的特征矩陣t1，在基于圖像塊的特征矩陣f2中依據l2取對應位置上的值，并賦值給測試數據集t的特征矩陣t1。所述訓練數據集d中的訓練樣本占9％，測試數據t中的測試樣本占91％。所述步驟10)的具體操作為：10a)將可視層作為輸入層，隱層作為特征層，由輸入層至特征層訓練無監督rbm層；10b)使用兩個rbm堆棧在一起，得到一個由輸入層至不同隱層再到softmax分類器框架的深度置信網絡dbn，將訓練好的rbm網絡權重w初始化給深度置信網絡dbn；每層的參數如下：對于第1層的輸入層，設置輸入層5*5*6＝150；對于第2層的隱層1，設置網絡節點數為256；對于第3層的隱層2，設置網絡節點數為64；對于第4層的softmax分類器，設置輸出層為2。所述的步驟11)將訓練數據集d的特征矩陣d1和測試數據集t的特征矩陣t1均拉成一列作為檢測模型的輸入，訓練數據集d中每個像素點的類別作為檢測模型的輸出，通過求解上述類別與初步人工標記正確類別之間的誤差并對誤差進行反向傳播，優化檢測模型的網絡參數，得到訓練好的檢測模型；所述的步驟12)將待檢測圖像送入已經訓練好的模型，訓練好的模型輸出為對待檢測圖像中每個像素點進行檢測得到的檢測類別。與現有技術相比，本發明根據歸一化后的特征矩陣f1，取每個元素周圍方塊范圍內的元素來代表原來的元素值，構成基于圖像塊的特征矩陣f2，由于將像素級特征擴展成圖像塊特征，能夠同時獲取譜段信息和空間信息。此外，通過構造訓練數據集和測試數據集，并且使用訓練數據集對檢測模型進行訓練，得到訓練好的模型，再利用訓練好的模型對測試數據集進行檢測，得到測試數據集中，兩個時相對應每個像素點的類別，由于引入深度學習的方法，使得本發明能自動學習到兩時相極化sar圖像的深層特征，進而提高了變化檢測精度。附圖說明圖1本發明檢測方法的整體流程圖；圖2(a)2006年4月拍攝的第一組仿真實驗圖，大小為500*500；圖2(b)2009年7月拍攝的第二組仿真實驗圖，大小為500*500；圖3(a)本發明對500*500待檢測圖像的檢測效果圖；圖3(b)基于塊的變化檢測方法(ppcd)對500*500待檢測圖像的檢測效果圖；圖4(a)由2006年4月拍攝的第一組仿真實驗圖構造而來的仿真實驗圖，大小為302*450；圖4(b)由2009年7月拍攝的第二組仿真實驗圖構造而來的仿真實驗圖，大小為302*450；圖5(a)本發明中對待檢測構造圖像的groundtruth標準圖；圖5(b)本發明對302*450待檢測構造圖像的檢測效果圖；圖5(c)基于塊的變化檢測方法(ppcd)對302*450待檢測構造圖像的檢測效果圖；具體實施方式下面結合附圖對本發明做進一步的詳細說明。參見圖1，本發明基于深度置信網絡的極化sar影像變化檢測方法實現步驟如下：步驟1，輸入待檢測的兩幅同一地區不同時相的極化sar影像；步驟2，使用envi軟件對兩時相的極化sar數據配準；步驟3，使用精致lee濾波分別對配準后的圖像降斑；步驟4，對兩幅配準并降斑后的同一地區不同時相的極化sar圖像進行初步人工標記；步驟5，由兩幅極化sar圖像的極化散射矩陣s分別求得極化相干矩陣ta和tb，在后向散射的情況下，因為互異性有shv＝svh＝sx；其中：其中，<·>表示在假設隨機散射介質各向同性下的空間平均統計特性。步驟6，分別提取兩幅極化sar影像的相干極化矩陣的對角線元素，并進行級聯，構成基于像素點的特征矩陣f；待檢測的兩幅極化sar影像選用東京的alos傳感器獲取的l波段全極化數據，圖像大小為500*500。(6a)已知待檢測的兩幅同一地區不同時相的極化sar影像的極化相干矩陣ta和tb，由a時相的極化相干矩陣ta得到其對角線上的三個元素ta11、ta22、ta33，即極化相干矩陣ta第1行第1列的元素、極化相干矩陣ta第2行第2列的元素、極化相干矩陣ta第3行第3列的元素；b時相的極化sar影像做同樣的處理。即由b時相的極化相干矩陣tb得到其對角線上的三個元素tb11、tb22、tb33，即極化相干矩陣tb第1行第1列的元素、極化相干矩陣tb第2行第2列的元素、極化相干矩陣tb第3行第3列的元素；(6b)定義一個大小為m1×m2×6的矩陣f，將ta11、ta22、ta33，tb11、tb22、tb33進行級聯，并賦給矩陣f，得到基于像素點的特征矩陣f。其中m1為待檢測極化sar圖像的長，m2為待檢測極化sar圖像的寬。f＝[ta11、ta22、ta33，tb11、tb22、tb33]<2>步驟7，將基于像素點的特征矩陣f中的元素值歸一化到[0，1]之間，記作f1；本實例采用歸一化方法，即先求出基于像素點的特征矩陣f的絕對值的對數值log(abs(f))，得到對數特征矩陣log_f；再將基于像素點的特征矩陣log_f中的每個元素均減去最小值min(log_f)，得到特征矩陣m_f；最后將基于像素點的特征矩陣m_f中的每個元素均除以max(m_f)，得到歸一化后的特征矩陣f1。步驟8，用歸一化后的特征矩陣f1中每個元素取周圍5*5的塊代表原來的元素值，構成基于圖像塊的特征矩陣f2。步驟9，構造訓練數據集d的特征矩陣d1和測試數據集t的特征矩陣t1。(9a)將極化sar影像變化檢測當作2分類問題(0:未變化，1:變化)，記錄每個類別對應的像素點在待檢測圖像中的位置，生成2種對應不同類像素點的位置a1、a2，其中a1對應變化類像素點在待檢測圖像中的位置，a2對應未變化類像素點在待檢測圖像中的位置；(9b)為平衡變化類和未變化類樣本，若a1<a2，則從所述a1、a2中隨機選取個元素，否則，從所述a1、a2中隨機選取個元素，之后生成2種對應不同類別的樣本當作訓練數據集的像素點的位置b1、b2，其中b1為對應變化類中被選作訓練數據集的像素點在待檢測圖像中的位置，b2為對應未變化類中被選作訓練數據集的像素點在待檢測圖像中的位置，并將b1、b2中的元素合并，打亂并組成訓練數據集的所有像素點在待檢測圖像中的位置l1，構成訓練數據d；(9c)用a1、a2中其余元素生成2種對應不同類別的樣本當作測試數據集的像素點的位置c1、c2，其中c1為對應變化類中被選作測試數據集的像素點在待檢測圖像中的位置，c2為對應未變化類中被選作測試數據集的像素點在待檢測圖像中的位置，并將c1、c2中的元素合并，打亂并組成測試數據集的所有像素點在待檢測圖像中的位置l2，構成測試數據t；(9d)定義訓練數據集d的特征矩陣d1，在基于圖像塊的特征矩陣f2中依據l1取對應位置上的值，并賦值給訓練數據集d的特征矩陣d1；(9e)定義測試數據集t的特征矩陣t1，在基于圖像塊的特征矩陣f2中依據l2取對應位置上的值，并賦值給測試數據集t的特征矩陣t1。訓練數據集d中的訓練樣本占9％，測試數據t中的測試樣本占91％。步驟10，構造基于深度置信網絡的檢測模型。(10a)訓練無監督rbm層，可視層(輸入層)→隱層(特征層)。(10b)使用兩個rbm堆棧在一起，得到一個輸入層→隱層1→隱層2→softmax分類器框架的深度置信網絡(dbn),將訓練好的rbm網絡權重w初始化給dbn。每層的參數如下：對于第1層輸入層，設置150(其中5*5*6＝150)；對于第2層隱層1，設置網絡節點數為256；對于第3層隱層2，設置網絡節點數為64；對于第4層softmax分類器，設置輸出層為2。步驟11，用構造的數據集對檢測模型進行訓練，得到訓練好的模型；將訓練數據集d的特征矩陣d1和測試數據集t的特征矩陣t1(拉成一列)作為檢測模型的輸入，訓練數據集d中每個像素點的類別作為檢測模型的輸出，通過求解上述類別與人工標記的正確類別之間的誤差并對誤差進行反向傳播，來優化檢測模型的網絡參數，得到訓練好的檢測模型。步驟12，利用訓練好的檢測模型對待檢測圖像進行檢測。將待檢測圖像送入已經訓練好的網絡模型，訓練好的檢測模型的輸出為對待檢測圖像中每個像素點進行檢測得到的檢測類別。本發明的效果可以通過以下仿真實驗進一步說明：1.仿真條件：硬件平臺為：intel(r)xeon(r)cpue5-2630，2.40ghz*16，內存為64g。軟件平臺為：theano。2.仿真內容與結果：采用本發明方法在上述仿真條件下進行實驗，實驗中，訓練樣本占9％，參見圖3(a)和圖5(b)，檢測結果的區域一致性較好，不同區域劃分后的邊緣也非常清晰，且保持了細節信息。將網絡訓練好的模型保存后，測試第二幅構造仿真圖(有真實類標)。得到的結果如表1所示：表1methodpcc(第二組測試圖)kappa(第二組測試圖)ppcd0.88570.3916本發明0.96920.8127從表1可見，本發明的測試數據集檢測精度高于ppcd。綜上所述，本發明通過引入深度學習方法，提取兩時相極化sar影像的深層特征，有效提高了圖像特征的表達能力，提高了極化sar影像變化檢測的精度。當前第1頁12