用于多时相 SAR 图像变化检测的两阶段基于对象的深度学习
计算机视觉与模式识别
2020-01-20 v1 图像与视频处理
摘要
变化检测是合成孔径雷达（SAR）图像的基本应用之一。然而，SAR 图像中存在的散斑噪声对变化检测有极大的负面影响。本研究提出一种新颖的用于多时相 SAR 图像变化检测的两阶段基于对象的深度学习方法。与传统方法相比，所提方法带来两项主要创新。其一是将所有像素分为三类而非两类：未变化像素、由强散斑引起的变化像素（虚假变化）以及由真实地形变异形成的变化像素（真实变化）。其二是将相邻像素分组分割为超像素对象（由像素而来），以利用局部空间上下文。方法中设计两个阶段：1）基于简单线性迭代聚类算法生成对象，并使用模糊 c 均值（FCM）聚类和深度 PCANet 将这些对象判别为变化与未变化类。此阶段的预测为变化与未变化超像素的集合。2）仅对第一阶段获得的变更超像素上的像素集进行深度学习，以区分真实变化与虚假变化。第二阶段再次采用 SLIC 以实现新超像素。对这些新超像素应用低秩与稀疏分解以显著抑制散斑噪声。随后通过 FCM 对这些新超像素施加进一步的聚类步骤。然后训练新的 PCANet 以分类两类变化超像素，从而得到最终变化图。数值实验表明，与基准方法相比，所提方法能以显著降低的误报率有效区分真实变化与虚假变化，并利用多时相 SAR 影像实现高达 99.71% 的变化检测精度。
引用
@article{arxiv.2001.06252,
title = {Two-Phase Object-Based Deep Learning for Multi-temporal SAR Image Change Detection},
author = {Xinzheng Zhang and Guo Liu and Ce Zhang and Peter M Atkinson and Xiaoheng Tan and Xin Jian and Xichuan Zhou and Yongming Li},
journal= {arXiv preprint arXiv:2001.06252},
year = {2020}
}