本發(fā)明屬于深度學(xué)習(xí)與遙感圖像處理相結(jié)合的領(lǐng)域，具體涉及一種基于sae和顯著性檢測(cè)的高分辨sar圖像變化檢測(cè)方法，借助深度神經(jīng)網(wǎng)絡(luò)模型，具有較高的檢測(cè)精度。
背景技術(shù)：
：基于遙感影像的變化檢測(cè)，就是從不同時(shí)間獲取的同一地理區(qū)域多時(shí)相遙感影像中，定性或定量地分析確定地表變化特征及變化過程的技術(shù)。由于變化檢測(cè)技術(shù)可以檢測(cè)出遙感影像的局部紋理變化信息以及輻射值，因而在資源和環(huán)境監(jiān)測(cè)方面，能夠檢測(cè)出土地的利用率以及土地的覆蓋狀況、森林以及植被的覆蓋率、城市的擴(kuò)張狀況等；而在農(nóng)業(yè)調(diào)查方面，該技術(shù)能夠及時(shí)地更新地理空間數(shù)據(jù)，繼而了解某一地理區(qū)域內(nèi)農(nóng)作物的生長狀況等；同時(shí)該技術(shù)對(duì)于自然災(zāi)害的監(jiān)測(cè)和估計(jì)，以及在軍事等領(lǐng)域中也有著重要作用。經(jīng)典的sar圖像變化檢測(cè)方法有：(1)基于簡(jiǎn)單代數(shù)運(yùn)算的變化檢測(cè)，經(jīng)典的包括圖像差值法、圖像比值法以及對(duì)數(shù)比值法；(2)基于圖像變換的變化檢測(cè)，經(jīng)典的包括主成分分析、變化向量分析法、相關(guān)分析法圖像變換法；(3)基于圖像分類的變化檢測(cè)方法。近年來對(duì)sar影像變化檢測(cè)的研究得到了廣泛的關(guān)注，國內(nèi)外諸多優(yōu)秀團(tuán)隊(duì)對(duì)其進(jìn)行了廣泛而細(xì)致的研究。在經(jīng)典變化檢測(cè)算法的基礎(chǔ)上，深度學(xué)習(xí)在sar圖像變化檢測(cè)領(lǐng)域的研究，主要是通過一些標(biāo)記的數(shù)據(jù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，在特征域?qū)D像分析得到變化檢測(cè)結(jié)果。目前的sar變化檢測(cè)算法大部分為中低分辨率、象元級(jí)、單極化的sar影像變化檢測(cè)。隨著sar技術(shù)的日益成熟，圖像質(zhì)量逐漸提高，分辨率逐漸增強(qiáng)，獲取數(shù)據(jù)的能力和精度越來越高，圖像獲取越來越便捷，sar變化檢測(cè)的前景更加廣泛。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)中的問題，提供一種基于sae和顯著性檢測(cè)的高分辨sar圖像變化檢測(cè)方法，通過sae獲得顯著性區(qū)域，再對(duì)顯著性區(qū)域利用聚類法獲得最終變化檢測(cè)結(jié)果，進(jìn)而避免sar圖像的噪聲影響，增大可處理圖像的尺寸，提高檢測(cè)精度。為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案包括以下步驟：1)從兩幅配準(zhǔn)后的同一地區(qū)、不同時(shí)相的sar圖像中提取不同大小的圖像塊分別作為第一訓(xùn)練數(shù)據(jù)集d1和第二訓(xùn)練數(shù)據(jù)集d2；2)分別將第一訓(xùn)練數(shù)據(jù)集d1和第二訓(xùn)練數(shù)據(jù)集d2歸一化到[0，1]之間，得到第一歸一化訓(xùn)練數(shù)據(jù)集n1和第二歸一化訓(xùn)練數(shù)據(jù)集n2；3)分別構(gòu)建第一三層堆棧自編碼網(wǎng)絡(luò)和第二三層堆棧自編碼網(wǎng)絡(luò)，確定兩個(gè)網(wǎng)絡(luò)每一層的特征數(shù)并隨機(jī)初始化權(quán)重和偏置，將第一歸一化訓(xùn)練數(shù)據(jù)集n1和第二歸一化訓(xùn)練數(shù)據(jù)集n2分別送入第一三層堆棧自編碼網(wǎng)絡(luò)和第二三層堆棧自編碼網(wǎng)絡(luò)，采用逐層貪婪訓(xùn)練法進(jìn)行訓(xùn)練，得到每一層的權(quán)重、偏置；將兩幅圖像分別送入訓(xùn)練好的網(wǎng)絡(luò)，得到兩幅圖像的特征；4)在特征域得到兩幅圖像的差異性，并對(duì)差異性通過閾值法確定出閾值分割差異圖，分別得到不同大小的第一顯著性區(qū)域和第二顯著性區(qū)域；5)結(jié)合第一顯著性區(qū)域和第二顯著性區(qū)域得到最終顯著性區(qū)域，并對(duì)提取到的最終顯著性區(qū)域通過聚類算法得到最終變化檢測(cè)結(jié)果。步驟1)通過滑窗的方式從兩幅sar圖像中取41×41大小的圖像塊作為第一訓(xùn)練數(shù)據(jù)集d1，從兩幅sar圖像中取51×51大小的圖像塊作為第二訓(xùn)練數(shù)據(jù)集d2。構(gòu)建第一三層堆棧自編碼網(wǎng)絡(luò)的步驟包括：3-1a.設(shè)置第一層特征數(shù)3362，第二層特征數(shù)1681，第三層特征數(shù)840；3-1b.定義自編碼網(wǎng)絡(luò)中每層的輸入為input，重構(gòu)結(jié)果為output，定義損失函數(shù)為：在第一歸一化訓(xùn)練數(shù)據(jù)集n1中選擇樣本送入到第一層網(wǎng)絡(luò)中，通過最小化損失函數(shù)訓(xùn)練網(wǎng)絡(luò)得到第一層特征；將得到的第一層特征作為輸入數(shù)據(jù)送入到第二層網(wǎng)絡(luò)中，同理得到第二層特征；將得到的第二層特征作為輸入數(shù)據(jù)送入到第三層網(wǎng)絡(luò)中，得到最深層特征；3-1c.將第一歸一化訓(xùn)練數(shù)據(jù)集n1送入步驟3-1b訓(xùn)練好的自編碼網(wǎng)絡(luò)中，得到圖像特征。步驟4)將步驟3-1c得到的兩幅圖像特征f1、f2作差得到第一特征差異圖s1：s1＝|f1|-|f2|在第一特征差異圖s1上通過閾值法確定閾值分割差異圖，得到兩幅sar圖像中圖像塊大小為41×41的第一顯著性區(qū)域。構(gòu)建第二三層堆棧自編碼網(wǎng)絡(luò)的步驟包括：3-2a.設(shè)置第一層特征數(shù)5202，第二層特征數(shù)2601，第三層特征數(shù)1300；3-2b.定義自編碼網(wǎng)絡(luò)中每層的輸入為input，重構(gòu)結(jié)果為output，定義損失函數(shù)為公式為：在第二歸一化訓(xùn)練數(shù)據(jù)集n2中選擇樣本送入到第一層網(wǎng)絡(luò)中，通過最小化損失函數(shù)訓(xùn)練網(wǎng)絡(luò)得到第一層特征；將得到的第一層特征作為輸入數(shù)據(jù)送入到第二層網(wǎng)絡(luò)中，同理得到第二層特征；將得到的第二層特征作為輸入數(shù)據(jù)送入到第三層網(wǎng)絡(luò)中，得到最深層特征；3-2c.將第二歸一化訓(xùn)練數(shù)據(jù)集n2送入步驟3-2b訓(xùn)練好的自編碼網(wǎng)絡(luò)，得到圖像特征。步驟4)將步驟3-2c得到的兩幅圖像特征f3、f4作差得到第二特征差異圖s2：s2＝|f3|-|f4|在第二特征差異圖s2上通過閾值法確定閾值分割差異圖，得到兩幅sar圖像中圖像塊大小為51×51的第二顯著性區(qū)域。步驟3)在第一歸一化訓(xùn)練數(shù)據(jù)集n1和第二歸一化訓(xùn)練數(shù)據(jù)集n2中分別選擇20％的樣本送入第一三層堆棧自編碼網(wǎng)絡(luò)和第二三層堆棧自編碼網(wǎng)絡(luò)。所述步驟2)的歸一化選用線性縮放法或者0均值標(biāo)準(zhǔn)化法。采用線性縮放法時(shí)先求出第一訓(xùn)練數(shù)據(jù)集d1的第一訓(xùn)練數(shù)據(jù)集最大值max(d1)以及第二訓(xùn)練數(shù)據(jù)集d2的第二訓(xùn)練數(shù)據(jù)集最大值max(d2)；再將第一訓(xùn)練數(shù)據(jù)集d1和第二訓(xùn)練數(shù)據(jù)集d2中的每個(gè)元素分別除以第一訓(xùn)練數(shù)據(jù)集最大值max(d1)和第二訓(xùn)練數(shù)據(jù)集最大值max(d2)，得到第一歸一化訓(xùn)練數(shù)據(jù)集n1和第二歸一化訓(xùn)練數(shù)據(jù)集n2。所述步驟5)取第一顯著性區(qū)域和第二顯著性區(qū)域的并集作為最終顯著性區(qū)域r；5a)初始化兩個(gè)聚類中心v1,v2，隨機(jī)初始化隸屬度矩陣；5b)計(jì)算第i個(gè)樣本到第j個(gè)聚類中心的距離：5c)根據(jù)隸屬度公式更新每個(gè)樣本的隸屬度：其中，μj(xi)為第i個(gè)樣本對(duì)于第j類的模糊隸屬度；5d)根據(jù)各個(gè)樣本的隸屬度通過公式更新聚類中心：其中vj為第j類的聚類中心；5e)根據(jù)公式計(jì)算各個(gè)樣本與其所在類中心的誤差平方和：當(dāng)聚類中心不再改變或誤差平方和不再減少時(shí)，達(dá)到最優(yōu)聚類結(jié)果，即得到兩類；據(jù)未變化類特征差異大小將聚類結(jié)果分為變化類和未變化類，得到最終的變化檢測(cè)結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：由于圖像顯著性區(qū)域不同于其他區(qū)域，很容易被注視到，局部區(qū)域的較大視覺對(duì)比使得顯著性檢測(cè)能夠指導(dǎo)變化檢測(cè)。本發(fā)明采用基于圖像塊的sae顯著性檢測(cè)，通過sae的自學(xué)習(xí)和自訓(xùn)練獲取顯著性區(qū)域，再對(duì)顯著性區(qū)域利用聚類法獲得最終變化檢測(cè)結(jié)果，有效避免了sar圖像斑點(diǎn)的噪聲影響，增大了可處理圖像的尺寸，提高了檢測(cè)精度。此外，本發(fā)明檢測(cè)方法僅針對(duì)顯著性區(qū)域采用聚類法進(jìn)行變化檢測(cè)，有效減少了待檢測(cè)區(qū)域，能夠處理較大尺寸的sar圖像。附圖說明圖1本發(fā)明檢測(cè)方法的整體流程圖；圖2(a)2009年4月拍攝的第一組實(shí)驗(yàn)仿真圖，大小為2000*2000；圖2(b)2009年9月拍攝的第一組實(shí)驗(yàn)仿真圖，大小為2000*2000；圖3本發(fā)明方法對(duì)第一組仿真實(shí)驗(yàn)的檢測(cè)結(jié)果圖；圖4(a)為第一組仿真實(shí)驗(yàn)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測(cè)結(jié)果圖；圖4(b)為第一組仿真實(shí)驗(yàn)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測(cè)結(jié)果圖；圖4(c)為第一組仿真實(shí)驗(yàn)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測(cè)結(jié)果圖；圖5(a)2009年4月拍攝的第二組實(shí)驗(yàn)仿真圖，大小為2000*2000；圖5(b)2009年9月拍攝的第二組實(shí)驗(yàn)仿真圖，大小為2000*2000；圖6本發(fā)明方法對(duì)第二組仿真實(shí)驗(yàn)的檢測(cè)結(jié)果圖；圖7(a)為第二組仿真實(shí)驗(yàn)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測(cè)結(jié)果圖；圖7(b)為第二組仿真實(shí)驗(yàn)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測(cè)結(jié)果圖；圖7(c)為第二組仿真實(shí)驗(yàn)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測(cè)結(jié)果圖；圖8(a)2009年4月拍攝的第三組實(shí)驗(yàn)原始數(shù)據(jù)構(gòu)造圖，大小為2000*2000；圖8(b)2009年9月拍攝的第三組實(shí)驗(yàn)原始數(shù)據(jù)構(gòu)造圖，大小為2000*2000；圖8(c)為第三組實(shí)驗(yàn)數(shù)據(jù)的變化檢測(cè)參考圖；圖9本發(fā)明方法對(duì)第三組仿真實(shí)驗(yàn)的檢測(cè)結(jié)果圖；圖10(a)為第三組仿真實(shí)驗(yàn)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測(cè)結(jié)果；圖10(b)為第三組仿真實(shí)驗(yàn)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測(cè)結(jié)果圖；圖10(c)為第三組仿真實(shí)驗(yàn)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測(cè)結(jié)果。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明。參照?qǐng)D1，本發(fā)明高分辨sar圖像變化檢測(cè)方法的實(shí)現(xiàn)步驟如下：步驟1，構(gòu)造第一訓(xùn)練數(shù)據(jù)集d1；通過滑窗的方式從兩幅配準(zhǔn)后的同一地區(qū)、不同時(shí)相的sar圖像中取41×41大小的圖像塊作為第一訓(xùn)練數(shù)據(jù)集d1，第一訓(xùn)練數(shù)據(jù)集d1中包括兩幅圖像的所有數(shù)據(jù)，其中前一半是圖像1的數(shù)據(jù)，后一半是圖像2的數(shù)據(jù)。步驟2，將第一訓(xùn)練數(shù)據(jù)集d1歸一化到[0,1]，得到第一歸一化訓(xùn)練數(shù)據(jù)集n1。常用的歸一化方法有：線性縮放法、0均值標(biāo)準(zhǔn)化法。本實(shí)例采用線性縮放法，即先求出數(shù)據(jù)集d1的最大值max(d1)；再將第一訓(xùn)練數(shù)據(jù)集d1中的每個(gè)元素均除以最大值max(d1)，得到第一歸一化訓(xùn)練數(shù)據(jù)集n1。步驟3，構(gòu)建第一三層堆棧自編碼網(wǎng)絡(luò)：(3a)設(shè)置第一層特征數(shù)3362，第二層特征數(shù)1681，第三層特征數(shù)840；(3b)定義自編碼網(wǎng)絡(luò)中每層的輸入為input，重構(gòu)結(jié)果為output，定義損失函數(shù)為：在第一歸一化訓(xùn)練數(shù)據(jù)集n1中選擇部分樣本送入到第一層網(wǎng)絡(luò)中，通過最小化損失函數(shù)訓(xùn)練網(wǎng)絡(luò)得到第一層特征；將得到的第一層特征作為輸入數(shù)據(jù)送入到第二層網(wǎng)絡(luò)中，同理得到第二層特征；將第二層特征作為輸入數(shù)據(jù)送入到第三層網(wǎng)絡(luò)，得到需要的最深層特征。(3c)將第一歸一化訓(xùn)練數(shù)據(jù)集n1全部送入到(3b)中訓(xùn)練好的自編碼網(wǎng)絡(luò)中，分別得到兩幅圖像的特征f1，f2；步驟4，對(duì)步驟3中得到的f1和f2依據(jù)公式<2>作差得到特征差異圖s1：s1＝|f1|-|f2|<2>在特征差異圖s1上通過閾值法確定合適的閾值分割差異圖，得到第一顯著性區(qū)域r1；步驟5，構(gòu)造第二訓(xùn)練數(shù)據(jù)集d2，通過滑窗的方式從兩幅配準(zhǔn)后的同一地區(qū)、不同時(shí)相的sar圖像中取51×51大小的圖像塊作為第二訓(xùn)練數(shù)據(jù)集d2，第二訓(xùn)練數(shù)據(jù)集d2中包括兩幅圖像的所有數(shù)據(jù)，其中前一半是圖像1的數(shù)據(jù)，后一半是圖像2的數(shù)據(jù)。步驟6，將第二訓(xùn)練數(shù)據(jù)集d2歸一化到[0,1]，得到第二歸一化訓(xùn)練數(shù)據(jù)集n2。常用的歸一化方法有：線性縮放法、0均值標(biāo)準(zhǔn)化法。本實(shí)例采用線性縮放法，即先求出第二訓(xùn)練數(shù)據(jù)集d2的最大值max(d2)；再將第二訓(xùn)練數(shù)據(jù)集d2中的每個(gè)元素均除以最大值max(d2)，得到第二歸一化訓(xùn)練數(shù)據(jù)集n2。步驟7，構(gòu)建第二三層堆棧自編碼網(wǎng)絡(luò)：(7a)設(shè)置第一層特征數(shù)5202，第二層特征數(shù)2601，第三層特征數(shù)1300；(7b)定義自編碼網(wǎng)絡(luò)中每層的輸入為input，重構(gòu)結(jié)果為output，定義損失函數(shù)為公式<1>，在第二歸一化訓(xùn)練數(shù)據(jù)集n2中選擇部分樣本送入到第一層網(wǎng)絡(luò)中，通過最小化損失函數(shù)訓(xùn)練網(wǎng)絡(luò)得到第一層特征；將得到的第一層特征作為輸入數(shù)據(jù)送入到第二層網(wǎng)絡(luò)，同理得到第二層特征；將第二層特征作為輸入數(shù)據(jù)送入到第三層網(wǎng)絡(luò)，得到需要的最深層特征。(7c)將第二歸一化訓(xùn)練數(shù)據(jù)集n2全部送入到(7b)中訓(xùn)練好的自編碼網(wǎng)絡(luò)中，分別得到兩幅圖像的特征f3，f4；步驟8，對(duì)步驟7中得到的f3和f4依據(jù)公式<4>作差得到特征差異圖s2：s2＝|f3|-|f4|<3>在特征差異圖s2上通過閾值法確定合適的閾值分割差異圖，得到第二顯著性區(qū)域r2；步驟9，取r1和r2中顯著性區(qū)域的并集作為最終的顯著性區(qū)域r，通過模糊c均值聚類(fcm)法對(duì)特征差異圖進(jìn)行聚類，具體聚類步驟有：(9a)初始化兩個(gè)聚類中心v1,v2，隨機(jī)初始化隸屬度矩陣；(9b)根據(jù)公式<5>計(jì)算第i個(gè)樣本到第j個(gè)聚類中心的距離(9c)根據(jù)隸屬度公式<6>更新每個(gè)樣本的隸屬度，其中，μj(xi)為第i個(gè)樣本對(duì)于第j類的模糊隸屬度。(9d)根據(jù)各個(gè)樣本的隸屬度通過公式<7>更新聚類中心：其中vj為第j類的聚類中心。(9e)根據(jù)公式<8>計(jì)算各個(gè)樣本與其所在類中心的誤差平方和：當(dāng)聚類中心不再改變或者誤差平方和不再減少時(shí)達(dá)到最優(yōu)聚類結(jié)果，即得到兩類，依據(jù)未變化類特征差異較小，將聚類結(jié)果分為變化類和未變化類，得到最終的變化檢測(cè)結(jié)果。本發(fā)明的效果可以通過以下仿真實(shí)驗(yàn)進(jìn)一步說明：1、仿真參數(shù)：對(duì)于具有參考圖的實(shí)驗(yàn)仿真圖，進(jìn)行定量的變化檢測(cè)結(jié)果分析：a.計(jì)算漏檢個(gè)數(shù)：統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果圖中發(fā)生變化的區(qū)域像素個(gè)數(shù)，與參考圖中變化區(qū)域的像素個(gè)數(shù)進(jìn)行對(duì)比，將參考圖中發(fā)生變化但實(shí)驗(yàn)結(jié)果圖中檢測(cè)為未變化的像素個(gè)數(shù)，稱為漏檢個(gè)數(shù)fn；b.計(jì)算錯(cuò)檢個(gè)數(shù)：統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果圖中未發(fā)生變化區(qū)域的像素個(gè)數(shù)，與參考圖中未變化區(qū)域的像素個(gè)數(shù)進(jìn)行對(duì)比，把參考圖中未發(fā)生變化但實(shí)驗(yàn)結(jié)果圖中檢測(cè)為變化的像素個(gè)數(shù)，稱為錯(cuò)檢個(gè)數(shù)fp；c.計(jì)算變化類正檢個(gè)數(shù)：統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果圖中發(fā)生變化區(qū)域的像素個(gè)數(shù)，與參考圖中變化區(qū)域的像素個(gè)數(shù)進(jìn)行對(duì)比，把實(shí)驗(yàn)結(jié)果圖和參考圖中均為變化的像素個(gè)數(shù)，稱為變化類正檢個(gè)數(shù)tp；d.計(jì)算未變化類正檢個(gè)數(shù)：統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果圖中未發(fā)生變化區(qū)域的像素個(gè)數(shù)，與參考圖中未變化區(qū)域的像素個(gè)數(shù)進(jìn)行對(duì)比，把實(shí)驗(yàn)結(jié)果圖中和參考圖中均為未變化的像素個(gè)數(shù)，稱為未變化類正檢個(gè)數(shù)tn；e.正確分類的概率pcc：pcc＝(tp+tn)/(tp+fp+tn+fn)f.衡量檢測(cè)結(jié)果圖與參考圖一致性的kappa系數(shù)：kappa＝(pcc-pre)/(1-pre)其中：pre＝(tp+fp)×nc+(fn+tn)×nu/n2，這里，n表示總像素個(gè)數(shù)nc和nu分別表示實(shí)際的變化像素?cái)?shù)和未變化像素?cái)?shù)。2.仿真條件：硬件平臺(tái)為：intel(r)xeon(r)cpue5-2630，2.40ghz*16，內(nèi)存為64g。軟件平臺(tái)為：tensorflow。3.仿真內(nèi)容與結(jié)果：用本發(fā)明方法在上述仿真條件下進(jìn)行實(shí)驗(yàn)。①反應(yīng)namibia地區(qū)贊比西河流域變化圖像，圖2(a)和圖2(b)的拍攝時(shí)間分別為2009年4月2009年9月，大小均為2000×2000。圖3為通過基于sae和顯著性檢測(cè)的高分辨sar變化檢測(cè)結(jié)果圖；圖4(a)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測(cè)結(jié)果；圖4(b)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測(cè)結(jié)果圖；圖4(c)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測(cè)結(jié)果。從實(shí)驗(yàn)結(jié)果能夠看出，本發(fā)明方法的變化檢測(cè)結(jié)果噪聲點(diǎn)較少，細(xì)節(jié)保持相對(duì)完整，變化檢測(cè)效果比較好。②反應(yīng)namibia地區(qū)贊比西河流域變化圖像2，圖5(a)和圖5(b)的拍攝時(shí)間分別為2009年4月2009年9月，大小均為2000×2000。圖6為通過基于sae和顯著性檢測(cè)的高分辨sar變化檢測(cè)結(jié)果圖；圖7(a)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測(cè)結(jié)果；圖7(b)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測(cè)結(jié)果圖；圖7(c)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測(cè)結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出，本發(fā)明方法的變化檢測(cè)結(jié)果噪聲點(diǎn)較少，變化區(qū)域檢測(cè)較為完整，變化檢測(cè)效果比較好。③該組實(shí)驗(yàn)數(shù)據(jù)從namibia地區(qū)相對(duì)沒有變化的區(qū)域中截取背景，在同一場(chǎng)景下截取的其他類別地物作為變化區(qū)域放在其中一幅背景中所得，由于該實(shí)驗(yàn)為人工添加的變化區(qū)域，能夠得到其正確類標(biāo)，圖8(a)和圖8(b)為待檢測(cè)兩時(shí)相圖，圖8(c)為變化參考圖。圖9為通過基于sae和顯著性檢測(cè)的高分辨sar變化檢測(cè)結(jié)果圖；圖10(a)通過均值比值生產(chǎn)差異圖、ki閾值法分析差異圖所得的變化檢測(cè)結(jié)果；圖10(b)通過均值比值生成差異圖、gki閾值法分析差異圖所得的變化檢測(cè)結(jié)果圖；圖10(c)通過均值比值生成差異圖、kmeans聚類分析差異圖所得的變化檢測(cè)結(jié)果。從實(shí)驗(yàn)結(jié)果可以看出，本發(fā)明方法的變化區(qū)域內(nèi)部和未變化區(qū)域內(nèi)部檢測(cè)效果都比較好，幾乎沒有噪聲干擾，變化檢測(cè)結(jié)果與參考圖基本一致。表1為本發(fā)明方法與三種不同差異圖分析方法所得變化檢測(cè)圖的效果指標(biāo)。表1三種已有方法和本發(fā)明變化檢測(cè)的效果對(duì)比mr_kimr_gkimr_fcmsalient_fcmpcc0.9390.9610.9600.981kappa0.7440.8130.7820.972綜上所述，本發(fā)明首先通過sae顯著性檢測(cè)提取顯著性區(qū)域，再通過對(duì)顯著性區(qū)域采用fcm聚類法將其分割為兩類，得到最終的變化檢測(cè)結(jié)果，該方法能夠有效的避免sar圖像斑點(diǎn)噪聲的影響，增加了可檢測(cè)圖片的尺寸，提高了檢測(cè)精度。當(dāng)前第1頁12