基于深度差异图像与 PCANet 的鲁棒非平衡 SAR 图像变化检测 method
计算机视觉与模式识别
2020-03-05 v1 图像与视频处理
摘要
本研究提出了一种基于深度学习的新型鲁棒变化检测方法，用于非平衡多时相合成孔径雷达（SAR）图像。我们的主要贡献是开发了一种生成差异图像的新方法以及一种并行模糊 c 均值（FCM）聚类方法。我们提出的方法主要步骤如下：1）受深度学习中的卷积与池化启发，基于参数化池化获得深度差异图像（DDI），其相比传统差异图像具有更好的散斑抑制与特征增强效果。2）对 DDI 应用两种不同参数的 Sigmoid 非线性映射，得到两个映射后的 DDI。在这些映射后的 DDI 上利用并行 FCM 获得三类伪标签像素，即变化像素、未变化像素和中间像素。3）训练带有支持向量机（SVM）的 PCANet 对中间像素分类为变化或未变化。使用三组非平衡多时相 SAR 图像集进行变化检测实验。实验结果表明，所提方法对非平衡 SAR 数据有效且鲁棒，取得了高达 99.52% 的变化检测准确率，优于大多数最先进方法。
引用
@article{arxiv.2003.01768,
title = {A Robust Imbalanced SAR Image Change Detection Approach Based on Deep Difference Image and PCANet},
author = {Xinzheng Zhang and Hang Su and Ce Zhang and Peter M. Atkinson and Xiaoheng Tan and Xiaoping Zeng and Xin Jian},
journal= {arXiv preprint arXiv:2003.01768},
year = {2020}
}
备注
5 pages, 4 figures