论文部分内容阅读
合成孔径雷达(Synthetic Aperture Rader,SAR)是一种高分辨成像雷达,可全天时、全天候的工作,被广泛地应用于遥感领域,SAR图像的变化检测通过比较和分析同一地区、不同时间获取的SAR图像来确定地物的变化情况,并且对变化情况进行定性、定量的描述。在灾情分析、农业调查、资源监测等领域有十分广泛的应用。SAR图像的丰富性为变化检测提供了数据支持,但是由于SAR图像自身的成像原理,会有相干斑噪声会附着在SAR图像上,并且还会导致图像的几何失真与辐射失真,这些因素都为变化检测这一课题的研究增加了难度。本文首先介绍了传统框架下SAR图像变化检测的一般流程以及经典的方法,同时也介绍了深度学习在变化检测领域的应用,在分析了已有方法优缺点的基础之上,探索了精度更高、效率更高的变化检测方法,目前取得的研究成果如下:1.对SAR图像变化检测中的不平衡问题进行了研究,提出了一种基于样本不平衡学习和多层主成分分析的SAR图像变化检测方法。此方法通过基于形态学的样本选择的方法解决了变化检测中的不平衡问题;然后将多层主成分分析网络PCA-Net作为特征提取器,其中卷积核参数是由训练样本进行PCA操作而得到的特征向量构成的,不需要通过反向传播来更新参数,大大提高了变化检测的效率;最后,利用一个线性的SVM进行分类得到最终的变化检测结果。该方法的优势在于简单、有效,既没有传统方法繁琐的步骤,也不依赖于反向传播来更新参数,并且解决了样本不平衡问题,取得了良好的效果。2.针对大多数方法对差异图敏感的问题,提出了一种基于级联深度语义森林的SAR图像变化检测方法,此方法的目的是从受噪声污染的差异图中,获得清晰的变化区域结构。该方法所提出的级联深度语义森林由多个子模块构成,其中每个子模块包含两个部分,第一部分为特征提取器,用于提取输入图像中的表示特征,第二部分为深度森林,用于学习变化区域的语义上下文信息,然后利用这些语义上下文信息的表示特征来更新深度语义森林,学习表示特征和更新深度语义森林将交替进行。由实验中每一个子模块的输出结果可以看出变化检测概率图越来越清晰,证明了该方法通过加入语义上下文信息进行训练的有效性。3.提出了一种基于金字塔池化模型的SAR图像变化检测方法。该方法借用全卷积的思想,将图像有重叠的分为若干块,通过金字塔池化模型得到每个图像块中每个像素的预测值,最后利用投票法得到最终的变化检测结果,对比于之前方法中使用单个像素的标签,该方法中利用邻域内标签的关联性,使用一个图像块中所有像素的标签进行网络训练,可以有效降低噪声的影响,而且这样的训练方式使得本章可以在同一个网络中学习多组数据的不同的变化类型,且直接对一组未标记过的新数据进行测试。