基于全局动态卷积神经网络的SAR图像变化检测方法

基于全局动态卷积神经网络的sar图像变化检测方法
技术领域
1.本发明属于遥感图像处理技术领域，利用sar(synthetic aperture radar，合成孔径雷达)图像对同一地理区域的地物变化进行检测，具体涉及一种基于全局动态卷积神经网络的sar图像变化检测方法。


背景技术：

2.变化检测技术旨在对同一地理区域不同时间里所发生的变化进行检测。图像变化检测技术主要凭借图像的纹理变化来检测地物的变化，一般情况下图像的纹理变化是由于该地理区域地物的实际变化造成的，或者是由于图像拍摄时的外在环境条件和硬件设施差异造成的，比如拍摄角度、大气环境和传感器精度等。
3.图像变化检测技术的基本前提是对于这些外在环境条件和硬件设施差异造成的变化和地物的实际变化是可以区分的。当前，由于遥感技术的高度发展，基于遥感图像的地物变化检测技术是许多地面观测应用中的关键技术，在许多现实场景中有着广泛运用，比如国防军事侦察、自然环境监测、自然灾害监测和城市土地规划等。特别是，合成孔径雷达(sar)利用脉冲压缩技术可以获得大面积高分辨率遥感图像，能够准确获取地面目标信息。更重要的是，这种合成孔径雷达获取的遥感图像不受气候条件的影响，其传感器可以在夜间捕捉图像，并透过云层和烟雾进行观察，是一项全天候的技术。因此，sar图像被广泛认为是遥感图像变化检测的理想来源。
4.根据有无人工真实标签作为先验，sar图像变化检测方法主要分为有监督和无监督两种。现有的大部分工作都集中在无监督的变化检测上，因为在许多实际应用中很难获得地面真实标签。一般来说，当前主流的基于深度学习来研究无监督sar图像变化检测的方法主要包括三个步骤：(1)差异图生成，(2)无监督预分类，(3)神经网络模型训练与分类。在差异图生成步骤中，基于比率的方法被广泛应用，利用比率算子将两幅已经配准并辐射校正的sar图像进行差异分析，得到差异图；在无监督预分类步骤中，无监督聚类方法被广泛使用，利用无监督聚类方法将步骤一中所获差异图的每个像素分为不变类、变化类和不确定类，得到每个像素的伪标签；在神经网络模型训练与分类步骤中，将步骤二中确定为不变类和变化类的像素作为神经网络的训练数据集训练神经网络模型，然后利用训练好的神经网络模型重新分类差异图中的每个像素，主要是分类步骤二中不确定类的像素，将其分类为不变类或变化类，最终得到所有像素的类别，从而获得整幅sar图像的变化结果图。
5.尽管当前大部分基于深度学习的无监督sar图像变化检测方法表现良好，但仍存在一些未解决的问题，总结如下：(1)全局上下文和局部特征交互问题。传统的卷积层主要提取局部特征，上下文信息在神经网络中很难被利用。因此，在变化检测框架中探索全局上下文和局部特征交互是至关重要的。(2)数据扩充的不稳定性。为了使sar图像变化检测任务收集到足够高质量的训练样本，通常会考虑混合样本数据增强技术，这些方法有效地丰富了表征空间，但也带来了训练过程中的不稳定性。因此，如何有效地消除数据扩充的副作用是一项不可忽视的任务。


技术实现要素：

6.本发明针对现有基于sar图像变化检测方法存在的全局上下文和局部特征交互问题以及数据扩充不稳定的问题，提出一种基于全局动态卷积神经网络的sar图像变化检测方法，以提升sar图像变化检测的精度与性能。
7.本发明是采用以下方案实现的：一种基于全局动态卷积神经网络的sar图像变化检测方法，包括以下步骤：
8.步骤1、对同一地理区域捕获的两幅多时相sar图像进行差异分析，获得差异图；
9.步骤2、对差异图进行预分类，构建训练数据集和测试数据集；
10.步骤3、构建全局动态卷积神经网络模型；
11.步骤4、利用两阶段混合样本数据增强方法增强后的训练集训练全局动态卷积神经网络模型；
12.步骤5、利用训练好的网络模型对测试数据集进行测试，从而得到整幅图像的变化检测结果。
13.本发明的具体步骤包括如下：
14.1、对同一地理区域捕获的两幅多时相sar图像进行差异分析，获得差异图：
15.对所述的两幅多时相sar图像采用对数比算子进行差异分析，得到两幅多时相sar图像的差异图；
16.所述差异图的计算公式为：
17.i
di
＝|logi
1-logi2|
18.其中，i1和i2分别表示同一地理区域的两幅多时相sar图像，i
di
表示i1和i2这两幅多时相sar图像的差异图，|
·
|表示绝对值运算，log表示以10为底的对数运算；
19.2、对差异图i
di
进行预分类，构建训练数据集和测试数据集：
20.(2.1)对差异图i
di
使用分层fcm(模糊c均值)聚类算法进行预分类，得到伪标签矩阵，伪标签值分别为0，1，0.5，即预分类后产生可判定为不变化或变化的高概率样本以及不确定的样本；
21.(2.2)从伪标签值为0和1的像素中随机选取p％的像素，p的取值为不大于10的整数，提取这些像素的空间位置，在原始的两幅多时相sar图像的对应空间位置的像素上，取像素点周围r
×
r的邻域像素块作为训练集，边缘像素点通过领域像素填充0的方式提取领域像素块，r的取值为不小于3的奇数；
22.(2.3)在原始的两幅多时相sar图像中提取所有像素周围r
×
r的邻域像素块作为测试集，边缘像素点通过领域像素填充0的方式提取领域像素块，r的取值为不小于3的奇数；
23.3、构建全局动态卷积神经网络：
24.所构建的网络核心架构是由三个全局动态卷积层组成，结构为：输入层
→
低层全局动态卷积层
→
中层全局动态卷积层
→
高层全局动态卷积层
→
全连接层。其中输入层输入的样本大小为c
×r×
r，c表示输入数据通道数；
25.(3.1)构建全局动态卷积层：
26.三个全局动态卷积层的结构是一致的，每个全局动态卷积层由全局特征编码模块、上下文特征投影模块和卷积核权重生成模块构成。首先全局特征编码模块通过平均池
化层和线性层对全局信息进行编码，然后上下文特征投影模块通过上下文特征投影将编码后的特征投影到输出维度空间。最后，卷积核权重生成模块生成包含全局上下文信息的卷积核，使用生成的新卷积核来执行常规卷积；
27.(3.1.1)构建全局特征编码模块：
28.全局特征编码模块由平均池化层、线性层、归一化层和激活层组成。平均池化层提取输入数据的全局信息，将输入数据空间大小降低到k
×
k，其中k为卷积核大小；然后通过线性层将所有c个通道中的特征投影到m大小的向量上；再经过归一化和relu激活函数得到全局特征编码模块的输出特征为：
[0029][0030]
(3.1.2)构建上下文特征投影模块：
[0031]
上下文特征投影模块由线性层、归一化层和激活层组成。线性层将步骤3.1.1所得到的特征g投影到输出维度为n的空间中，再经过归一化和relu激活函数得到上下文特征投影模块的输出特征为：
[0032][0033]
(3.1.3)构建卷积核权重生成模块：
[0034]
权重生成模块首先利用两个线性层分别将步骤3.1.1得到的特征g和步骤3.1.2得到的特征c转换到卷积核的空间大小，第一个线性层将特征转换为第二个线性层将特征转换为然后将mg进行维度扩展得到将mc进行维度扩展得到然后，将mg和mc相加生成卷积核权重m，计算公式如下：
[0035]
m＝δ(m
′g m
′c)
[0036]
其中，与原始卷积核w的大小相同，δ表示sigmoid激活函数。最后，将生成的卷积核权重m和当前卷积核权重w进行逐元素相乘，结合全局信息和局部信息，得到输入数据自适应的新卷积核权重w
′
，计算公式如下：
[0037]w′
＝m
⊙w[0038]
其中，
⊙
表示逐元素乘法；
[0039]
(3.1.4)利用步骤3.1.3中生成的新卷积核对输入数据中的当前数据进行常规卷积；
[0040]
(3.2)利用步骤3.1中构建好的低层全局动态卷积层提取输入数据的低层特征f
l
：
[0041]
所述低层全局动态卷积层中卷积核大小为k
l
×kl
，卷积核个数为n
l
，其中k
l
的大小取3，n
l
的个数取48，低层特征f
l
的计算公式如下：
[0042]fl
＝σ(bn(xw
l
′
b
l
))
[0043]
其中，x表示输入层中的输入样本，也是低层全局动态卷积层的输入；w
l
′
表示通过步骤3.1.3得到的低层全局动态卷积层的样本自适应卷积核权重；b
l
表示低层全局动态卷积层的偏置项，由随机初始化得到，并经过网络迭代训练优化；bn表示批量归一化操作；σ表示relu激活函数；
[0044]
(3.3)利用步骤3.1中构建好的中层全局动态卷积层提取输入数据的中层特征fm：
[0045]
所述中层全局动态卷积层中卷积核大小为km×km
，卷积核个数为nm，其中km的大小取3，nm的个数取96，中层特征fm的计算公式如下：
[0046]fm
＝σ(bn(f
l
wm′
bm))
[0047]
其中，f
l
表示输入数据的低层特征，也是中层全局动态卷积层的输入；wm′
表示通过步骤3.1.3得到的中层全局动态卷积层的低层特征自适应卷积核权重；bm表示中层全局动态卷积层的偏置项，由随机初始化得到，并经过网络迭代训练优化；bn表示批量归一化操作；σ表示relu激活函数；
[0048]
(3.4)利用步骤3.1中构建好的高层全局动态卷积层提取输入数据的高层特征fh：
[0049]
所述高层全局动态卷积层中卷积核大小为kh×
kh，卷积核个数为nh，其中kh的大小取3，nh的个数取48，高层特征fh的计算公式如下：
[0050]fh
＝σ(bn(fmwh′
bh))
[0051]
其中，fm表示输入数据的中层特征，也是高层全局动态卷积层的输入；wh′
表示通过步骤3.1.3得到的高层全局动态卷积层的中层特征自适应卷积核权重；bh表示高层全局动态卷积层的偏置项，由随机初始化得到，并经过网络迭代训练优化；bn表示批量归一化操作；σ表示relu激活函数；
[0052]
(3.5)将步骤3.4中得到的高层特征fh通过全连接层，得到y：
[0053]
y＝w
fc2
(w
fc1fh
)
[0054]
其中，w
fc1
表示第一层全连接操作，w
fc2
表示第二层全连接操作，经过两次全连接操作后得到的y是维度为2
×
1的向量其中a表示输入样本属于不变类的概率，b表示输入样本属于变化类的概率，根据向量来输出每个样本的预测标签当a》b时，等于a所属的类别即当a《b时等于b所属的类别即
[0055]
4、将步骤2得到的训练数据集用于步骤3所构建的全局动态卷积神经网络的训练：
[0056]
训练时，采用两阶段混合样本数据增强方式进行训练，增加训练样本的数量，丰富样本的多样性，缓解过拟合问题；
[0057]
(4.1)将训练轮数记作t，从第1轮到第t/2轮，使用混合样本数据增强方式在批量训练时为所有批量中的样本两两构建虚拟样本，扩充训练样本：
[0058]
所述混合样本数据增强的计算公式为：
[0059][0060][0061]
其中，xi和xj表示两个输入样本数据，yi和yj分别对应它们的样本标签，并且(xi,yi)和(xj,yj)是从步骤2.2所构建的训练数据集中随机抽取的两个样本，所以和就表示两个样本混合之后的新的虚拟样本的数据和标签，λ是从贝塔分布中随机采样得到的混合系数，取值范围为[0,1]：
[0062]
λ～beta(α,β)
[0063]
其中，α和β是贝塔分布中的参数，在本方法中取α＝β＝0.5；
[0064]
(4.2)从(t/2 1)轮到第t轮，混合样本数据增强方式逐步过渡到基础数据增强方式，以线性下降的概率ε来控制是否使用混合样本数据增强，ε的计算公式如下：
[0065]
ε＝(t-i)/2t
[0066]
其中，i表示当前轮数。并设置一个随机数θ作为阈值，θ的随机范围为[0,1]，当θ《ε时，使用步骤4.1中的混合样本数据增强；否则使用基础数据增强来扩充样本，如裁剪、翻转、旋转样本等；
[0067]
(4.3)训练过程中计算全局动态卷积神经网络的损失函数，计算公式如下：
[0068][0069]
其中，
[0070][0071][0072]
若进行混合样本数据增强：yi和yj为步骤4.1中所述的两个随机输入样本xi和xj所对应的样本标签，为xi和xj进行混合后的样本通过步骤3所构建的网络后得到的预测标签；若不进行混合样本数据增强，则yi＝yj＝y，y为当前输入样本的真实标签；为当前输入样本通过步骤3所构建的网络后得到的预测标签；l
ce
表示交叉熵损失函数，λ表示步骤4.1所述的混合系数，log表示以10为底的对数操作；
[0073]
(4.4)使用随机梯度下降(sgd)算法优化全局动态卷积神经网络参数；
[0074]
5、将步骤2.3中的测试数据集输入到优化后的全局动态卷积神经网络，按照步骤3.2至3.5所述过程获得测试数据集的预测标签；获得步骤1所述地点的变化结果图。
[0075]
与现有技术相比，本发明的优点和积极效果在于：
[0076]
本发明所提供的基于全局动态卷积神经网络的sar图像变化检测方法，通过所述的差异图生成、无监督预分类和神经网络模型训练与分类对sar图像进行处理，利用了全局动态卷积神经网络分类器的分类精度高和对噪声的鲁棒性较高的特性：
[0077]
1.采用对数比算子进行差异分析，得到两幅多时相sar图像的差异图。对数比算子能够有效抑制相干斑噪声，增强变化类和非变化类的对比度，从而增强样本的差异性；
[0078]
2.使用分层fcm(模糊c均值)聚类算法进行预分类，得到伪标签矩阵。分层fcm聚类算法聚类效果好，聚类效率高，从而可以提升预分类的精度和速度；
[0079]
3.全局动态卷积神经网络通过自适应卷积核有效地结合了全局特征和局部特征，从而可以获得更鲁棒的特征表示，提高神经网络分类器的分类精度；
[0080]
4.两阶段混合样本数据增强方法可以增加训练样本的数量和多样性，防止过拟合问题，提升网络的泛化能力，从而能够有效地生成更稳定的分类结果。
附图说明
[0081]
图1为本发明实施例所述sar图像变化检测方法的流程图示意图；
[0082]
图2为本发明实施例方法原理框图示意图；
[0083]
图3为本发明实施例所述神经网络结构的示意图；
[0084]
图4为本发明实施例全局动态卷积模块的示意图；
[0085]
图5为本发明实施例输入数据的示意图；
[0086]
图6为本发明实施例的方法与现有方法的效果比较图。
具体实施方式
[0087]
在以下的描述中，将描述本发明的多个不同的方面，然而对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。
[0088]
参照图1本发明实现的具体步骤如下：
[0089]
步骤1：对同一地理区域捕获的两幅多时相sar图像进行差异分析，获得差异图：
[0090]
对所述的两幅多时相sar图像采用对数比算子进行差异分析，得到两幅多时相sar图像的差异图；
[0091]
所述差异图的计算公式为：
[0092]idi
＝|logi
1-logi2|
[0093]
其中，i1和i2分别表示同一地理区域的两幅多时相sar图像，i
di
表示i1和i2这两幅多时相sar图像的差异图，|
·
|表示绝对值运算，log表示以10为底的对数运算；
[0094]
步骤2：对差异图i
di
进行预分类，构建训练数据集和测试数据集：
[0095]
步骤21：对差异图i
di
使用分层fcm(模糊c均值)聚类算法进行预分类，得到伪标签矩阵，伪标签值分别为0，1，0.5，即预分类后产生可判定为不变化或变化的高概率样本以及不确定的样本；
[0096]
步骤22：从伪标签值为0和1的像素中随机选取p％的像素，p的取值为不大于10的整数(本方法使用的数据集中最优值为6)，提取这些像素的空间位置，在原始的两幅多时相sar图像的对应空间位置的像素上，取像素点周围r
×
r的邻域像素块作为训练集，边缘像素点通过领域像素填充0的方式提取领域像素块，r的取值为不小于3的奇数(本方法使用的数据集中最优值为9或11)；
[0097]
步骤2.3：在原始的两幅多时相sar图像中提取所有像素周围r
×
r的邻域像素块作为测试集，边缘像素点通过领域像素填充0的方式提取领域像素块，r的取值为不小于3的奇数(本方法使用的数据集中最优值为9或11)；
[0098]
步骤3：构建全局动态卷积神经网络：
[0099]
所构建的网络核心架构是由三个全局动态卷积层组成，结构为：输入层
→
低层全局动态卷积层
→
中层全局动态卷积层
→
高层全局动态卷积层
→
全连接层。其中输入层输入的样本大小为c
×r×
r，c表示输入数据通道数；
[0100]
步骤3.1：构建全局动态卷积层：
[0101]
三个全局动态卷积层的结构是一致的，每个全局动态卷积层由全局特征编码模块、上下文特征投影模块和卷积核权重生成模块构成。首先全局特征编码模块通过平均池化层和线性层对全局信息进行编码，然后上下文特征投影模块通过上下文特征投影将编码后的特征投影到输出维度空间。最后，卷积核权重生成模块生成包含全局上下文信息的卷积核，使用生成的新卷积核来执行常规卷积；
[0102]
步骤3.1.1：构建全局特征编码模块：
[0103]
全局特征编码模块由平均池化层、线性层、归一化层和激活层组成。平均池化层提取输入数据的全局信息，将输入数据空间大小降低到k
×
k，其中k为卷积核大小；然后通过
线性层将所有c个通道中的特征投影到m大小的向量上；再经过归一化和relu激活函数得到全局特征编码模块的输出特征为：
[0104][0105]
步骤3.1.2：构建上下文特征投影模块：
[0106]
上下文特征投影模块由线性层、归一化层和激活层组成。线性层将步骤3.1.1所得到的特征g投影到输出维度为n的空间中，再经过归一化和relu激活函数得到上下文特征投影模块的输出特征为：
[0107][0108]
步骤3.1.3：构建卷积核权重生成模块：
[0109]
权重生成模块首先利用两个线性层分别将步骤3.1.1得到的特征g和步骤3.1.2得到的特征c转换到卷积核的空间大小，第一个线性层将特征转换为第二个线性层将特征转换为然后将mg进行维度扩展得到将mc进行维度扩展得到然后，将mg和mc相加生成卷积核权重m，计算公式如下：
[0110]
m＝δ(m
′g m
′c)
[0111]
其中，与原始卷积核w的大小相同，δ表示sigmoid激活函数。最后，将生成的卷积核权重m和当前卷积核权重w进行逐元素相乘，结合全局信息和局部信息，得到输入数据自适应的新卷积核权重w
′
，计算公式如下：
[0112]w′
＝m
⊙w[0113]
其中，
⊙
表示逐元素乘法；
[0114]
步骤3.1.4：利用步骤3.1.3中生成的新卷积核对输入数据中的当前数据进行常规卷积；
[0115]
步骤3.2：利用步骤3.1中构建好的低层全局动态卷积层提取输入数据的低层特征f
l
：
[0116]
所述低层全局动态卷积层中卷积核大小为k
l
×kl
，卷积核个数为n
l
，其中k
l
的大小取3，n
l
的个数取48，低层特征f
l
的计算公式如下：
[0117]fl
＝σ(bn(xw
l
′
b
l
))
[0118]
其中，x表示输入层中的输入样本，也是低层全局动态卷积层的输入；w
l
′
表示通过步骤3.1.3得到的低层全局动态卷积层的样本自适应卷积核权重；b
l
表示低层全局动态卷积层的偏置项，由随机初始化得到，并经过网络迭代训练优化；bn表示批量归一化操作；σ表示relu激活函数；
[0119]
步骤3.3：利用步骤3.1中构建好的中层全局动态卷积层提取输入数据的中层特征fm：
[0120]
所述中层全局动态卷积层中卷积核大小为km×km
，卷积核个数为nm，其中km的大小取3，nm的个数取96，中层特征fm的计算公式如下：
[0121]fm
＝σ(bn(f
l
wm′
bm))
[0122]
其中，f
l
表示输入数据的低层特征，也是中层全局动态卷积层的输入；w
′m表示通过步骤3.1.3得到的中层全局动态卷积层的低层特征自适应卷积核权重；bm表示中层全局动态卷积层的偏置项，由随机初始化得到，并经过网络迭代训练优化；bn表示批量归一化操
作；σ表示relu激活函数；
[0123]
步骤3.4：利用步骤3.1中构建好的高层全局动态卷积层提取输入数据的高层特征fh：
[0124]
所述高层全局动态卷积层中卷积核大小为kh×
kh，卷积核个数为nh，其中kh的大小取3，nh的个数取48，高层特征fh的计算公式如下：
[0125]fh
＝σ(bn(fmw
′h bh))
[0126]
其中，fm表示输入数据的中层特征，也是高层全局动态卷积层的输入；w
′h表示通过步骤3.1.3得到的高层全局动态卷积层的中层特征自适应卷积核权重；bh表示高层全局动态卷积层的偏置项，由随机初始化得到，并经过网络迭代训练优化；bn表示批量归一化操作；σ表示relu激活函数；
[0127]
步骤3.5：将步骤3.4中得到的高层特征fh通过全连接层，得到y：
[0128]
y＝w
fc2
(w
fc1fh
)
[0129]
其中，w
fc1
表示第一层全连接操作，w
fc2
表示第二层全连接操作，经过两次全连接操作后得到的y是维度为2
×
1的向量其中a表示输入样本属于不变类的概率，b表示输入样本属于变化类的概率，根据向量来输出每个样本的预测标签当a》b时，等于a所属的类别即当a《b时等于b所属的类别即
[0130]
步骤4：将步骤2得到的训练数据集用于步骤3所构建的全局动态卷积神经网络的训练：
[0131]
训练时，采用两阶段混合样本数据增强方式进行训练，增加训练样本的数量，丰富样本的多样性，缓解过拟合问题；
[0132]
步骤4.1：将训练轮数记作t，从第1轮到第t/2轮，使用混合样本数据增强方式在批量训练时为所有批量中的样本两两构建虚拟样本，扩充训练样本：
[0133]
所述混合样本数据增强的计算公式为：
[0134][0135][0136]
其中，xi和xj表示两个输入样本数据，yi和yj分别对应它们的样本标签，并且(xi,yi)和(xj,yj)是从步骤2.2所构建的训练数据集中随机抽取的两个样本，所以和就表示两个样本混合之后的新的虚拟样本的数据和标签，λ是从贝塔分布中随机采样得到的混合系数，取值范围为[0,1]：
[0137]
λ～beta(α,β)
[0138]
其中，α和β是贝塔分布中的参数，在本方法中取α＝β＝0.5；
[0139]
步骤4.2：从(t/2 1)轮到第t轮，混合样本数据增强方式逐步过渡到基础数据增强方式，
[0140]
以线性下降的概率ε来控制是否使用混合样本数据增强，ε的计算公式如下：
[0141]
ε＝(t-i)/2t
[0142]
其中，i表示当前轮数。并设置一个随机数θ作为阈值，θ的随机范围为[0,1]，当θ《ε时，使用步骤4.1中的混合样本数据增强；否则使用基础数据增强来扩充样本，如裁剪、翻转、旋转样本等；
[0143]
步骤4.3：训练过程中计算全局动态卷积神经网络的损失函数，计算公式如下：
[0144][0145]
其中，
[0146][0147][0148]
若进行混合样本数据增强：yi和yj为步骤4.1中所述的两个随机输入样本xi和xj所对应的样本标签，为xi和xj进行混合后的样本通过步骤3所构建的网络后得到的预测标签；若不进行混合样本数据增强，则yi＝yj＝y，y为当前输入样本的真实标签；为当前输入样本通过步骤3所构建的网络后得到的预测标签；l
ce
表示交叉熵损失函数，λ表示步骤4.1所述的混合系数，log表示以10为底的对数操作；
[0149]
步骤4.4：使用随机梯度下降(sgd)算法优化全局动态卷积神经网络参数；
[0150]
步骤5：将步骤2.3中的测试数据集输入到优化后的全局动态卷积神经网络，按照步骤3.2至3.5所述过程获得测试数据集的预测标签；
[0151]
步骤6：根据步骤5得到的预测标签，获得步骤1所述地点的变化结果图。
[0152]
下面结合仿真实验对本发明的效果进一步说明：
[0153]
本发明的仿真实验在intel xeon e5-2609、geforce rtx 2080、内存32gb的硬件环境和ubuntu 16.04.6、pytorch、matlab2016a的软件环境下进行。本发明的仿真实验数据如图5所示，其中，图5(a)是在时刻1所拍摄的真实sar图像；图5(b)是在时刻2所拍摄的真实sar图像；图5(c)是真实sar图像的仿真变化检测结果参考图，是由考虑到先验知识的专家手工仔细标注的。本发明的实验对象为三组多时相sar图像数据集，分别是sulzberger数据集、chaohuⅰ数据集和chaohuⅱ数据集。sulzberger数据集由envisat卫星分别于2011年3月11日和16日拍摄，大小为256
×
256像素，如图5第一行。chaohuⅰ数据集和chaohuⅱ数据集分别于2020年5月和2020年7月被sentinel-1卫星拍摄，大小为384
×
384像素，如图5第二行和第三行。
[0154]
本发明方法与现有比较先进的变化检测方法的对比结果参见图6。对比实验中的pcakm方法是文章“unsupervised change detection in satellite images using principal component analysis and k-means clustering”中提出的；gaborpcanet方法是文章“automatic change detection in synthetic aperture radar images based on pcanet”中提出的；nr-elm方法是文章“change detection from synthetic aperture radar images based on neighborhood-based ratio and extreme learning machine”中提出的；cwnn方法是文章“sea ice change detection in sar images based on convolutional-wavelet neural networks”中提出的；ddnet方法是文章“change detection in synthetic aperture radar images using a dual-domain network”中提出的。
[0155]
如图6所示，针对sulzberger数据集，本发明方法能够保留变化的细节并抑制数据
集上的斑点噪声；针对chaohuⅰ和chaohuⅱ数据集，散斑噪声的影响要强得多，比较方法在不同的区域对噪声表现出不同的敏感性，因此它们的性能不再像sulzberger数据集那样一致，然而本发明方法依旧能够取得良好的性能，说明本发明方法对噪声具有更好的鲁棒性。
[0156]
本发明使用分类准确率(pcc)和kappa系数(kc)与上述方法进行对比，计算如下：
[0157][0158][0159]
其中，
[0160]
oe＝fp fn
[0161]
pre＝[(tp fp-fn)
×
tp (tn fn-fp)
×
tn]/(n
×
n)
[0162]
n为像素总数，oe为总体错误数，fp为误检数量，表示参考图中本属于未变化类但是最终变化图中却被检测为变化类的像素数量；fn为漏检数量，表示参考图中本属于变化类但是最终变化图中却被检测为未变化类的像素数量。pre表示误检和漏检的数量和比例关系，其中tp为真正变化的像素数量，tn为真正不变的像素数量。较大的pcc和kc值说明变化检测结果更为准确，噪声抑制能力更强。
[0163]
表1、表2和表3显示了本发明与上述方法的对比实验结果。从表中可以看到，本发明的方法pcc和kc值都是最高的，在三组数据集上都取得了良好的性能，这说明本发明方法能够较准确地检测到输入图像中的变化信息，并且对噪声的鲁棒性较好。
[0164]
表1 sulzberger数据集的变化检测实验结果
[0165]
方法fpfnoepcc(％)kc(％)pkakm3308701400993.8884.49gaborpcanet2485494297995.4588.34nr-elm2386646303295.3788.07cwnn15981132273095.8388.98ddnet1932494242696.3090.40本发明方法1398731212996.7591.44
[0166]
表2 chaohuⅰ数据集的变化检测实验结果
[0167]
方法fpfnoepcc(％)kc(％)pkakm1319929961619589.0243.99gaborpcanet1677715001827787.6145.01nr-elm22523552580496.0669.63cwnn29082808571696.1271.85ddnet49831217620095.8073.54本发明方法30291034406397.2481.46
[0168]
表3 chaohuⅱ数据集的变化检测实验结果
[0169]
方法fpfnoepcc(％)kc(％)pkakm852122481076992.7065.58
gaborpcanet29461771471796.8082.66nr-elm5953836443197.0081.27cwnn9592397335697.7286.63ddnet3107779388697.3686.18本发明方法7921218201098.6492.24
[0170]
本发明所提供的基于全局动态卷积神经网络的方法主要是为提高多时相sar图像变化检测性能专门提出的。但是本方法也同样适用于普通成像设备如数码相机和手机所拍摄图像的分析，所取得的有益效果也是相似的。
[0171]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。