基于小波引导与自适应融合的SAR图像变化检测方法

本发明属于图像处理，进一步涉及sar图像检测技术，具体为一种基于小波引导与自适应融合的sar图像变化检测方法。可用于灾害监测、土地利用变化监测及生态环境监测等领域。

背景技术：

1、变化检测是遥感对地观测中的重要技术，通过分析不同时相遥感影像之间的差异，实现地表覆盖变化信息的提取，广泛应用于灾害监测、土地利用调查、生态环境监测以及国防安全等领域。合成孔径雷达（sar）凭借主动微波成像的独特优势，摆脱了天气条件与光照强度的限制，能够在暴雨、大雾、黑夜等复杂环境下稳定获取高分辨率地表散射信息，尤其适用于复杂地形、植被覆盖及云雨遮挡区域的长期动态监测，在极端环境下的变化检测任务中展现出不可替代的应用价值，已成为地表变化检测的主流技术手段。

2、早期sar变化检测方法主要围绕差异图像生成与阈值分割两大核心步骤展开，通过构建双时相图像的差异图并对其进行阈值分割，实现变化与非变化区域的识别。但差异图生成过程难以充分利用双时相图像的深层特征信息，易受相干斑噪声影响；同时，阈值分割结果对阈值选取较为敏感，在复杂场景下难以准确区分变化区域与背景。因此该类方法容易出现边界模糊、小目标漏检及误检等问题，检测精度和鲁棒性有待进一步提高。

3、随着深度学习技术的发展，基于神经网络的sar图像变化检测方法逐渐成为主流，通过端到端学习方式能够自动提取变化特征，有效提高了变化检测精度。其中，基于卷积神经网络的方法能够充分挖掘图像空间特征，提升变化区域的识别能力，但其难以充分利用双时相图像之间的内在关联，导致变化特征与背景信息的可分性不足，影响变化区域的准确识别；为进一步提升变化特征的表达能力，研究人员引入多尺度特征和注意力机制，以增强网络对变化区域的感知能力，但其对多尺度特征融合仍显不足，难以充分挖掘不同尺度特征的互补信息；此外，频域信息具有抑制相干斑噪声和增强特征的优势，因此已有研究将频域特征与空间域特征相结合，以提高网络的抗噪能力和变化检测性能，但其主要采用频域与空间域特征的直接融合，缺乏对双时相特征频域相似性的深入挖掘，难以充分发挥频域信息在噪声抑制和变化特征判别中的优势。因此，解决特征可分性低、噪声干扰抑制不足及多尺度信息利用不充分等核心问题，成为提升sar变化检测实用性的关键。

技术实现思路

1、本发明目的在于针对上述现有技术的不足，提出一种基于小波引导与自适应融合的sar图像变化检测方法，用于解决现有检测方案特征可分性低、噪声干扰抑制不足及多尺度信息利用不充分等问题。本发明以双时相sar图像为输入，通过跨时相交互挖掘双时相潜在变化信息，并对其进行自适应优化增强特征判别性，提高变化特征与背景信息的可分性；随后，构建双分支分别提取变化特征，通过小波频域分解与自适应频带权重调整抑制相干斑噪声干扰，并以此构建频域相似性，引导双分支互补学习，提取双时相变化特征；此外，通过多尺度变化特征交互与差异引导，实现多尺度变化信息协同优化，并进行变化信息自适应融合，从而显著提高了复杂场景下sar图像变化检测的准确性和鲁棒性。

2、为实现上述目的，本发明技术方案包括如下：

3、（1）获取同一区域不同时刻的成对双时相sar图像，对其进行无监督预分类并标注对应变化伪标签，所述分类包括变化类、不变化类和不确定类；在变化类和不变化类中随机选取样本构建训练集，不确定类构成测试集；

4、（2）构建多尺度特征提取网络，以双时相sar图像作为输入，用于提取两幅时相sar图像对应的多尺度特征；

5、（3）构建自适应特征增强模块，用于对两幅图像各自对应的多尺度特征进行双向交互，并完成上下文信息感知增强，输出增强特征；

6、（4）基于离散小波变换与余弦相似度构建小波引导差异交互模块，用于对增强特征进行双分支差异交互与协同优化，并在融合双分支差异信息后，输出多尺度变化特征；

7、（5）构建自适应交互融合模块，用于对多尺度变化特征进行自适应地融合并增强，获取最终变化特征；

8、（6）依次串联多尺度特征提取网络、自适应特征增强模块、小波引导差异交互模块和自适应交互融合模块，并在所述自适应交互融合模块后连接分类网络，构建得到sar变化检测模型；所述分类网络由卷积层和两个全连接层构成，用于基于最终变化特征输出分类预测结果；

9、（7）将训练集数据送入sar变化检测模型中，依次执行特征提取、特征增强、双分支差异交互、特征融合操作得到训练样本对应的最终变化特征，基于该特征获取分类预测结果，将所述预测结果与样本伪标签进行分组匹配，计算分类损失并通过反向传播更新网络参数，完成模型训练；

10、（8）利用训练好的sar变化检测模型对测试集样本进行检测，输出检测结果；并将该结果与伪标签的变化类和非变化类进行拼接，得到最终的变化检测结果。

11、本发明与现有技术相比，具有以下优点：

12、第一、由于本发明采用双时相特征交互，通过特征信息交互与引导，充分挖掘变化区域的潜在关联信息；同时，对交互特征进行上下文自适应优化，抑制背景噪声及无关信息干扰，从而为后续模型检测带来更加充分的特征表达能力，直接提升微弱变化区域的特征辨识度，降低背景虚检概率；

13、第二、由于本发明采用双分支提取sar图像变化特征，并引入小波变换构建频域相似性引导双分支协同优化，有效抑制相干斑噪声干扰并增强差异特征提取能力，直接降低sar固有斑点噪声造成的误检，强化地物变化边界提取完整性；

14、第三、由于本发明采用多尺度变化特征的交互引导机制，通过不同尺度特征之间的双向信息流动，实现跨尺度语义与细节信息的协同增强；同时融合不同尺度间的差异信息，充分利用多尺度特征之间的互补性，实现多尺度变化特征融合，直接兼顾大面积区域整体变化与微小地物细节变化检测，全面提升复杂地物场景下变化检测精度。

1.一种基于小波引导与自适应融合的sar图像变化检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤（3）中所述自适应特征增强模块，处理过程包括以下步骤：

3.根据权利要求2所述的方法，其特征在于：步骤（3.1）中所述跨时相信息交互，具体为以第一幅sar图像的多尺度特征信息引导第二幅sar图像的多尺度特征，同时以第二幅sar图像的多尺度特征反向引导第一幅sar图像的多尺度特征，双向完成两幅图像之间双时相特征的信息交互；通过双向交互挖掘双时相特征之间的时空关联关系，自适应放大两幅图像间存在差异的变化区域特征、压制无变化背景区域冗余干扰。

4.根据权利要求3所述的方法，其特征在于：步骤（3.2）中所述上下文注意力权重矩阵，具体根据以下方式得到：将所述双时相交互特征输入自校准增强注意力单元，先通过池化操作提取全局上下文信息，再依次经卷积、上采样处理生成上下文特征；同时，对所述双时相交互特征分别沿水平、垂直两个维度执行全局平均池化，输出结构注意力权重；融合所述上下文特征与结构注意力权重完成特征自校准增强处理，最终生成上下文注意力权重矩阵。

5.根据权利要求1所述的方法，其特征在于：步骤（4）中所述多尺度变化特征，根据以下步骤得到；

6.根据权利要求5所述的方法，其特征在于：步骤（4.2）中所述两路增强差异特征，具体经过以下处理过程得到：对输入的增强特征执行离散小波变换，将频率子带分解为低频和高频子带；再通过小波特征选择对各频率子带进行自适应加权；通过余弦相似度计算各加权子带的相似性，并采用逆离散小波变换将频域子带相似性映射至空间域，通过sigmoid函数归一化转换为频域注意力权重；将两路独立的双分支差异特征分别与所述频域注意力权重相乘，完成双分支差异特征增强。

7.根据权利要求5所述的方法，其特征在于：步骤（4.3）中所述双分支协同优化，具体包括：将两路增强差异特征分别输入小波余弦注意力单元，计算两组增强差异特征之间的频域相似性并生成交互注意力权重；利用该权重分别对两路增强差异特征进行双向约束优化，实现两路特征的信息互补与语义对齐，得到两路交互增强差异特征。

8.根据权利要求1所述的方法，其特征在于：步骤（5）中所述自适应交互融合模块，根据以下步骤对多尺度变化特征进行自适应地融合并增强：

9.根据权利要求8所述的方法，其特征在于：步骤（5.1）通过simam注意力构建不同尺度变化特征之间的交互关系，是通过将一个尺度变化特征的注意力权重作用于另一尺度变化特征，实现不同尺度变化特征之间的信息交互。

10.根据权利要求8所述的方法，其特征在于：步骤（5.2）中所述对不同尺度变化特征计算差异信息，是指求取多组不同尺度变化特征之间的像素差值以表征地物形变差异；将计算得到的尺度差异信息与所述多尺度交互增强特征沿通道维度拼接融合，以保留各尺度独立形变细节与跨尺度关联特征，弱化单一尺度噪声干扰，提升后续最终变化特征对地物突变区域的识别完整性。