基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的多時相sar圖像變化檢測方法
【專利摘要】本發(fā)明涉及一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的多時相SAR圖像變化檢測方法，深度神經(jīng)網(wǎng)絡(luò)通常包括三個模型，分別為：堆疊自編碼器、深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)。本發(fā)明使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的訓(xùn)練方式，先構(gòu)造兩個結(jié)構(gòu)相同CNN模型，隨機(jī)挑選部分樣本點，并人為標(biāo)定這些樣本點的變化檢測結(jié)果，將這些樣本點和標(biāo)定檢測結(jié)果作為訓(xùn)練CNN的訓(xùn)練數(shù)據(jù)。再使用訓(xùn)練好的CNN對未分類樣本進(jìn)行變化檢測獲得最終的變化檢測結(jié)果。
【專利說明】
基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的多時相SAR圖像變化檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于多時相SAR圖像變化檢測方法，設(shè)及一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的 多時相SAR圖像變化檢測方法。
【背景技術(shù)】
[0002] 多時相SAR圖像變化檢測的常用技術(shù)是先將兩個時相的SAR圖像分別取對數(shù)再進(jìn) 行差分，然后將差分圖W像素點為單位進(jìn)行二分類;或者先對SAR圖像進(jìn)行分割，再W分割 后的對象作為基本單位對其進(jìn)行二分類。在現(xiàn)有技術(shù)中，提取哪些特征來進(jìn)行分類，通常由 人為設(shè)定，往往會導(dǎo)致圖像本身含有的許多信息被忽略，使得檢測結(jié)果不夠精確。
[0003] 深度神經(jīng)網(wǎng)絡(luò)通過逐層訓(xùn)練的方式自主提取圖像特征，有效地解決了人為提取特 征過程中信息遺漏的問題，其中的卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)豐富的應(yīng)用到了圖像處理中。但是，目 前在多時相SAR圖像變化檢測方面，使用卷積神經(jīng)網(wǎng)絡(luò)算法尚未取得很好的檢測結(jié)果，未能 有效發(fā)揮深度神經(jīng)網(wǎng)絡(luò)在處理大數(shù)據(jù)方面的優(yōu)勢。
【發(fā)明內(nèi)容】
[0004] 要解決的技術(shù)問題
[0005] 為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的多時 相SAR圖像變化檢測方法，將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到多時相SAR圖像變化檢測領(lǐng)域W解決 現(xiàn)有技術(shù)中檢測精確度不高等的問題。
[0006] 技術(shù)方案
[0007] -種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的多時相SAR圖像變化檢測方法，其特征在于步驟 如下：
[000引步驟1:對ti，t滿個時刻同一地點獲取的兩幅待檢巧化AR圖像進(jìn)行了配準(zhǔn)、福射校 正及幾何校正處理；對處理后的數(shù)據(jù)進(jìn)行特征提取，提取方法是：隨機(jī)提取ti，t2時刻兩幅 SAR圖中W每個像素點為中屯、nXn的圖像塊作為原始特征，提取原始特征中1-5%作為訓(xùn)練 樣本，再隨機(jī)提取總樣本數(shù)量的1 %作為驗證樣本集，其余樣本作為測試樣本集；
[0009] 步驟2:構(gòu)造兩個相同拓?fù)浣Y(jié)構(gòu)的C順模型，將每個C順卷積層輸出的結(jié)果組合起 來，再添加邏輯回歸分類器，得到一個新的模型，對運(yùn)個模型使用上步提取的訓(xùn)練數(shù)據(jù) 進(jìn)行訓(xùn)練；
[0010] 所述模型的輸入為兩個nXn的圖像塊，其中第一個圖像塊為ti時刻SAR圖像中提 取的nXn圖像塊，第二個圖像塊為t2時刻圖像中提取的nXn圖像塊；
[001。 第一個CNN的輸入是從ti時刻SA姻像中提取的圖像塊;第二個C順的輸入是從t2時 刻SAR圖像中提取的圖像塊；
[001^ 步驟3、對新的CN飾莫型進(jìn)行訓(xùn)練：
[0013]對新的CN飾莫型中每個CNN中的卷積核參數(shù)進(jìn)行調(diào)整，訓(xùn)練時W平方和函數(shù)作為代 價函數(shù)，使用BP算法修改卷積核和偏置；
[0014] W步驟I中的驗證樣本集對新的cw#莫型進(jìn)行驗證，防止訓(xùn)練過擬合現(xiàn)象的發(fā)生， 每次訓(xùn)練均需輸出驗證集結(jié)果的誤差；
[0015] 當(dāng)驗證集結(jié)果的誤差由逐漸變小的趨勢變?yōu)橹饾u變大的趨勢時，代表模型的泛化 能力減弱，迭代終止訓(xùn)練完成;迭代次數(shù)在800次W內(nèi)；
[0016] 步驟4:將圖像的所有原始特征輸入訓(xùn)練好的新的CN飾莫型中對待測樣本進(jìn)行分類 檢測，得到最終變化檢測結(jié)果圖。
[0017]有益效果
[0018] 本發(fā)明提出的一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的多時相SAR圖像變化檢測方法，深 度神經(jīng)網(wǎng)絡(luò)通常包括=個模型，分別為:堆疊自編碼器、深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)。本發(fā) 明使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional化ural化twork，CNN)的訓(xùn)練方式，先構(gòu)造兩個結(jié)構(gòu) 相同O^N模型，隨機(jī)挑選部分樣本點，并人為標(biāo)定運(yùn)些樣本點的變化檢測結(jié)果，將運(yùn)些樣本 點和標(biāo)定檢測結(jié)果作為訓(xùn)練CNN的訓(xùn)練數(shù)據(jù)。再使用訓(xùn)練好的CNN對未分類樣本進(jìn)行變化檢 測獲得最終的變化檢測結(jié)果。
【附圖說明】
[0019] 圖1是本發(fā)明提出的雙通道CNN檢測網(wǎng)絡(luò)的組成結(jié)構(gòu)框圖
[0020] 圖2是本發(fā)明提出的檢測方法流程圖
[0021] 圖3是本發(fā)明提出的中兩個CNN合并的方式
【具體實施方式】
[0022] 現(xiàn)結(jié)合實施例、附圖對本發(fā)明作進(jìn)一步描述：
[0023] 實施方式具體步驟如下：
[0024] 步驟1、選取訓(xùn)練樣本
[0025] 設(shè)時刻ti，t2為兩個不同時刻，同一波段上對同一地點獲取分別在ti，t2時刻的兩 幅SAR圖像Xi，拉，且Xi，拉已經(jīng)經(jīng)過配準(zhǔn)和福射校正及幾何校正。
[0026] 設(shè)Xi, X2兩幅SAR圖像的尺寸為P Xq,對兩幅圖像的每個坐標(biāo)點（i，j)，
，其中n表示分別提取兩幅圖像中W此坐標(biāo)點為中屯、的一 個n Xn鄰域作為一對相對應(yīng)的圖像塊，例如9 X 9的像素，將運(yùn)兩個n X n的圖像塊(稱為：圖 像塊對）W，和公(/-，./-)二的|，/):，???，、.）作為一個樣本Tr(i，j)的原始特征， 分別作為兩個C順相應(yīng)的輸入信號，真實變化檢測結(jié)果圖中坐標(biāo)點（i，j)的像素值作為該樣 本的教師信號。
[0027] 隨機(jī)提取兩幅圖像像素的總樣本數(shù)量的一小部分，例如1%-5%作為訓(xùn)練樣本集， 其中Xl, X2中所取到的應(yīng)該是對應(yīng)的像素點。再隨機(jī)提取總樣本數(shù)量的另一小部分，例如1% 作為驗證樣本集，其中Xi,拉中所取到的應(yīng)該是對應(yīng)的像素點。其余樣本作為測試樣本集。 [002引步驟2、構(gòu)建雙通道CNN模型的網(wǎng)絡(luò)結(jié)構(gòu)
[0029]普通的C順是由多個卷積層和池化層（即pooling層）組成，在本模型中對C順進(jìn)行 了改進(jìn)，所述C順僅僅使用了卷積層。卷積層是通過不同的卷積核對每層輸入進(jìn)行卷積操 作，對于不同的卷積核，輸入圖像的響應(yīng)強(qiáng)度會不同。在卷積結(jié)束后再經(jīng)過激勵函數(shù)就可得 到下一層的輸入。本發(fā)明中采用激勵函數(shù)f(X)是限制線性單元(Rectified Linear化its, ReLu)，其數(shù)學(xué)表達(dá)式為：
[0030] f (x) =max(0,x)
[0031 ]構(gòu)造兩個具有相同拓?fù)浣Y(jié)構(gòu)的CNN，即兩個CNN層數(shù)相同，對應(yīng)每層的功能相同，對 應(yīng)的每個卷積層具有相同尺寸、相同個數(shù)的卷積核。在本發(fā)明中，每一層的激勵函數(shù)為 ReLu,最后一個卷積層不使用激勵函數(shù)。本實施例中，每個C順中卷積層的個數(shù)為5,每一層 卷積層的卷積核大小為3X3,每層卷積核數(shù)量為先遞增后遞減，最多不超過100個卷積核。
[0032] 對Xi，)(2中的某個坐標(biāo)點（i，j)，其中1
^，網(wǎng)絡(luò)的輸 入是步驟1中提取的兩個nXn的圖像塊，并且第一個只處理ti時刻SAR圖像中提取的原 始特征鄭^) = (口,，口2,…，a,,:)，第二個CNN只處理由t2時刻SAR圖像中提取的原始特征
[0033] 在兩個CNN的最后一個卷積層后添加一個全連接層，將兩個CNN連接起來，并通過 該全連接層將提取出的結(jié)果進(jìn)行合并(合并方式如圖3所示），再通過邏輯回歸分類器對SAR 圖像進(jìn)行檢測。
[0034] 步驟3、對網(wǎng)絡(luò)進(jìn)行訓(xùn)練
[0035] 將訓(xùn)練樣本集的原始特征送入依據(jù)邏輯回歸分類器的輸出對圖像進(jìn)行分類， 計算網(wǎng)絡(luò)分類結(jié)果與訓(xùn)練樣本集教師信號的誤差。因為訓(xùn)練樣本較多，所W采用分批次 (batch)訓(xùn)練。分塊時，將所有樣本集的順序隨機(jī)打亂，再把每m個樣本放在一起作為一個 batch。計算誤差時，定義代價函數(shù)C為平方和函數(shù)；
癢中，m表示batch的 大小，一般取20-100個圖像塊對，ti表示第i個圖像塊對相應(yīng)的教師信號，Zi表示經(jīng)網(wǎng)絡(luò)運(yùn)算 后輸出第i個圖像塊對的檢測結(jié)果值。
[0036] 使用誤差的反向傳播算法對雙通道CNN模型進(jìn)行訓(xùn)練，計算代價函數(shù)C對 權(quán)值Wi、卷積核W2及偏置b的偏導(dǎo)數(shù)，然后對權(quán)值、卷積核和偏置進(jìn)行調(diào)整： ^
，其中下標(biāo)old表示舊的 取值，下標(biāo)new表示新的取值，n為學(xué)習(xí)率。在本實施例中n = 0.01。
[0037] 其中最后一層邏輯回歸層的誤差傳回全連接層，全連接層把誤差分成兩部分傳遞 給兩個CNN;全連接層中來自第一個CNN模型的節(jié)點將誤差傳回第一個O^N模型，來自第二個 CNN模型的節(jié)點將誤差傳回第二個CNN模型。
[0038] 步驟4、選取驗證集進(jìn)行驗證
[0039] 使用步驟1提取的驗證集對訓(xùn)練結(jié)果進(jìn)行驗證，需要注意的是，在網(wǎng)絡(luò)訓(xùn)練完成 前，驗證集不會改變，并且要求驗證集與訓(xùn)練集的樣本不重合。驗證集的作用是為了防止訓(xùn) 練過擬合的情況。在每一次訓(xùn)練完成后，可求得驗證集樣本的誤差。
[0040] 步驟5、判斷終止條件
[0041] 由于訓(xùn)練樣本集的誤差會隨著迭代次數(shù)的增加而逐漸減小，驗證樣本集的誤差會 先減小后增大，在本發(fā)明中，選取訓(xùn)練終止條件為：當(dāng)驗證集的誤差開始從由逐漸減小變成 逐漸增大時，認(rèn)為整個網(wǎng)絡(luò)已經(jīng)開始過擬合，此時即可停止訓(xùn)練;否則返回步驟3。通常迭代 次數(shù)在800次W內(nèi)。
[0042]步驟6、分類
[00創(chuàng)訓(xùn)練終止后，就可W利用訓(xùn)練好的基于C順的檢測網(wǎng)絡(luò)對待測樣本進(jìn)行檢測，得到 最終變化檢測結(jié)果圖。
【主權(quán)項】
1. 一種基于雙通道卷積神經(jīng)網(wǎng)絡(luò)的多時相SAR圖像變化檢測方法，其特征在于步驟如 下： 步驟1:對以山兩個時刻同一地點獲取的兩幅待檢測SAR圖像進(jìn)行了配準(zhǔn)、輻射校正及 幾何校正處理;對處理后的數(shù)據(jù)進(jìn)行特征提取，提取方法是：隨機(jī)提取，丨2時刻兩幅SAR圖 中以每個像素點為中心ηΧη的圖像塊作為原始特征，提取原始特征中1-5%作為訓(xùn)練樣本， 再隨機(jī)提取總樣本數(shù)量的1 %作為驗證樣本集，其余樣本作為測試樣本集； 步驟2:構(gòu)造兩個相同拓?fù)浣Y(jié)構(gòu)的CNN模型，將每個CNN卷積層輸出的結(jié)果組合起來，再 添加邏輯回歸分類器，得到一個新的CNN模型，對這個模型使用上步提取的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn) 練； 所述模型的輸入為兩個ηΧη的圖像塊，其中第一個圖像塊為七時刻SAR圖像中提取的η Χη圖像塊，第二個圖像塊為t2時刻圖像中提取的ηΧη圖像塊； 第一個CNN的輸入是從t時刻SAR圖像中提取的圖像塊;第二個CNN的輸入是從t2時刻 SAR圖像中提取的圖像塊； 步驟3、對新的CNN模型進(jìn)行訓(xùn)練： 對新的CNN模型中每個CNN中的卷積核參數(shù)進(jìn)行調(diào)整，訓(xùn)練時以平方和函數(shù)作為代價函 數(shù)，使用BP算法修改卷積核和偏置； 以步驟1中的驗證樣本集對新的CNN模型進(jìn)行驗證，防止訓(xùn)練過擬合現(xiàn)象的發(fā)生，每次 訓(xùn)練均需輸出驗證集結(jié)果的誤差； 當(dāng)驗證集結(jié)果的誤差由逐漸變小的趨勢變?yōu)橹饾u變大的趨勢時，代表模型的泛化能力 減弱，迭代終止訓(xùn)練完成;迭代次數(shù)在800次以內(nèi)； 步驟4:將圖像的所有原始特征輸入訓(xùn)練好的新的CNN模型中對待測樣本進(jìn)行分類檢 測，得到最終變化檢測結(jié)果圖。
【文檔編號】G06T7/00GK106023154SQ201610301686
【公開日】2016年10月12日
【申請日】2016年5月9日
【發(fā)明人】李映, 劉韜, 徐隆浩
【申請人】西北工業(yè)大學(xué)