基于深度网络和极限学习机的SAR图像去噪与变化检测

发布时间：2020-11-04 23:03

　　 合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天时、全天候等特点,广泛应用于民生和军事上,同时,SAR图像作为一种重要的数据源也引起了越来越多科研人员的关注。然而,由于散射现象的连贯性,SAR图像受到相干斑噪声的影响。尽管相干斑噪声也携带了部分噪声区域的信息,但是它严重影响了图像的空间信息,并且为后续的图像分割、分类、识别、图像变化检测等任务带来了困难。因此,探索合适的滤波技术减少SAR图像中的斑点噪声极其关键。同时,SAR图像变化检测也得到了广泛的应用;本文对基于深度网络和极限学习机的SAR图像去噪与变化检测方法进行研究,主要内容包括:(1)提出了一种基于残差学习和可变形卷积网络的SAR图像去噪算法。利用残差学习机制,训练从噪声图像到噪声图像与干净图像的差值图像的映射,以此来降低网络训练的难度。此外,该算法将部分常规的卷积层替换成了可变形卷积层,可变形的卷积层是依据损失函数的降低来学习卷积层的形状,即学习其偏移量。从而使模型与实际问题更契合。该算法结合了残差学习、可变形卷积网络这两者来处理SAR图像去噪问题。实验结果表明,该算法不论是在模拟的SAR图像还是真实的SAR图像上,都能表现出较好的去噪效果。(2)提出了一种基于显著性机制和深度卷积网络的SAR图像变化检测算法。考虑到图像的显著区域通常表明这些区域与其他的区域具有较大的差异性,更能凸显出变化区域的信息,所以引入了显著性机制,对得到的差异图进行显著性特征提取,进一步增大差异图中变化区域与不变化区域的差异性。由于深度卷积网络能够提取出更高级、更抽象的特征,并且具有很强的分类能力。因而该算法构建深度卷积网络,将处理后的对数比值差异图分割成变化区域和不变化区域,得到最终的变化检测结果。同时,为了提高深度卷积网络的分类精度,提出了一种新的预分类方法,以及训练样例的挑选策略。与现有的一些变化检测算法相比,本章算法取得很好的变化检测结果。(3)提出了一种基于多级特征学习和极限学习机的SAR图像变化检测算法。稀疏自编码器具有较强的无监督学习能力,通过学习输入和输出的恒等映射,能够提取出表征数据内部结构的深层特征;同时,多层极限学习机不仅具有很强的特征学习和分类能力,而且能快速的进行学习。该算法通过多个稀疏自编码器学习输入图像的多级特征,并结合多层极限学习机,做最终的特征的学习和特征的分类,得到变化检测的结果。实验结果表明,本章算法,能够得到很好的SAR图像变化检测的效果。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TN957.52
【部分图文】：

relurelu图3.1 含有两个网络层的构建块（building block）构造块可以定义成下式：( , )iy F x W x(3-1)这里x和 y 分别表示构造块的输入和输出向量。式子 ( , )iF x W 表示需要学习的残差映射关系。比如：在图 3.1 中，该构造块含有两层网络，2 1F W (W x)，其中 表示修正线性单元[69]（relu）。操作F x通过捷径连接（shortcut connection）和元素级相加来实现。捷径连接（shortcut connection）的引入既不需要增加额外的参数也不会

并且G 是二维的。它可以分解成两个一维核的乘积：( , ) ( , ) ( , )x x y yG q p g q p g q p ( a , b ) max(0,1 | a b|)。图所示，偏移量通过对输入特征图进行卷积得到。卷积核和的大小（这里是 3 3的卷积核）。2N 维的通道对应 N 个二程中，输出特征的产生和偏移量的学习同时进行。偏移量offset fieldconv2N

SAR噪声图像图3.3 基于残差学习和可变形卷积网络的 SAR 图像去噪算法框图3.4.2损失函数该网络采用的损失函数如下式所示：10 1011log cosh logNiiiiyL yN x (3-6)其中，N 表示 batch size 的大小，ix 表示原始的含有噪声的图像， iy 表示网络的实际输出，即网络预测的图像噪声；10logiiyx则表示训练样例对应的标签。采用该损失函数主要是考虑到 SAR 图像中的相干斑噪声可以建模成乘性噪声，将其执行对数操作转换成加性噪声，便于噪声的去除；同时，将 SAR 图像经过对数操作转换到了一个更有利于整个网络训练的特征空间。3.4.3算法步骤该算法的流程图如下：
【相似文献】

相关期刊论文 前10条

1 眭海刚;冯文卿;李文卓;孙开敏;徐川;;多时相遥感影像变化检测方法综述[J];武汉大学学报(信息科学版);2018年12期

2 谢馨娴;岳彩荣;霍鹏;;森林变化检测方法比较[J];四川林业科技;2018年03期

3 王娜;张景发;;SAR图像变化检测技术方法综述[J];地壳构造与地壳应力文集;2016年01期

4 宋英旭;牛瑞卿;张景发;李永生;罗毅;冯时;陈艳;;遥感影像变化检测方法对比[J];地壳构造与地壳应力文集;2016年02期

5 李强;张景发;;变化检测技术在震害信息提取中的应用[J];地理空间信息;2014年02期

6 龙玄耀;李培军;;基于图像分割的城市变化检测[J];地球信息科学;2008年01期

7 于跃龙,卢焕章;以统计变化检测为基础的实时分割视频对象新方法[J];中国图象图形学报;2005年01期

8 孙扬;朱凌;修田雨;;基于国产卫星影像的协同分割变化检测[J];北京建筑大学学报;2018年04期

9 王鑫;;聚类分析观点下的分散式最快变化检测[J];南京理工大学学报;2014年02期

10 沈壁川;毛期俭;吕翊;;基于巴氏距离的视频流场景变化检测(英文)[J];重庆邮电大学学报(自然科学版);2009年01期

相关博士学位论文 前10条

1 郑耀国;基于结构化表示学习的遥感图像分类及变化检测[D];西安电子科技大学;2016年

2 苏临之;基于像素信息和深度学习的遥感图像变化检测技术[D];西安电子科技大学;2016年

3 贾璐;基于核理论的遥感影像变化检测算法研究[D];西安电子科技大学;2016年

4 李瑜;基于特征学习的SAR图像变化检测方法研究[D];西安电子科技大学;2016年

5 李振轩;基于差分测度的高分辨率遥感影像可靠性变化检测方法研究[D];中国矿业大学;2018年

6 庞世燕;三维信息辅助的建筑物自动变化检测若干关键技术研究[D];武汉大学;2015年

7 何鹏飞;基于不确定性分析的遥感影像变化检测方法研究[D];中国矿业大学;2017年

8 杜晓敏;热红外遥感煤火探测方法及煤火变化检测[D];中国矿业大学(北京);2015年

9 石娟;基于无人机影像的变化检测关键技术研究[D];武汉大学;2015年

10 解云琳;面向对象的城市土地遥感变化检测和提取方法研究[D];武汉大学;2013年

相关硕士学位论文 前10条

1 纪超南;多时相卫星影像变化检测中关键问题研究[D];山东大学;2018年

2 刘春成;基于点云数据的柱状目标变化检测[D];北京建筑大学;2018年

3 刘波;基于SVDD特征选择的随机森林高分辨率遥感影像变化检测[D];兰州交通大学;2018年

4 虢英杰;一种目标级高分辨率遥感影像的频域变化检测方法研究[D];昆明理工大学;2018年

5 李延金;影像相关性分析在遥感变化检测中的应用研究[D];长安大学;2018年

6 袁玉;基于SAR图像相干变化检测的建筑物震害信息提取研究[D];防灾科技学院;2018年

7 REZKI MOSTEFA;卫星遥感图像非监督变化检测及其在洪涝区域的应用研究[D];哈尔滨工业大学;2018年

8 郭庆乐;多时相遥感图像变化检测及趋势分析[D];哈尔滨工业大学;2018年

9 毕晏珲;基于GF-2遥感影像的农田面向对象变化检测方法研究[D];吉林大学;2018年

10 刘霜辰;高分遥感影像在林地变化检测中的应用研究[D];西安科技大学;2018年

本文编号：2870736