基于多域卷積與自注意機(jī)制的SAR圖像變化檢測(cè)

王 峰,程詠梅

(1.渭南師范學(xué)院, 陜西 渭南 714099; 2.西北工業(yè)大學(xué), 西安 710072)

0 引言

隨著地球觀測(cè)進(jìn)程的快速發(fā)展,越來(lái)越多的在同一地理區(qū)域不同時(shí)間捕獲的SAR圖像可以被利用。由于SAR圖像可以在全天時(shí)、全天候的條件下獲取,它已成為變化檢測(cè)(change detection,CD)重要的數(shù)據(jù)源。它對(duì)洪水探測(cè)[1]、災(zāi)害評(píng)估[2]、城市規(guī)劃[3]、土地覆蓋數(shù)據(jù)監(jiān)測(cè)[4]等大量應(yīng)用都具有較高的實(shí)用價(jià)值。

SAR圖像本身就受到散斑噪聲的污染,這一現(xiàn)象使得SAR圖像變化檢測(cè)成為一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)。因此,發(fā)展能夠處理散斑噪聲的魯棒性CD技術(shù)變得至關(guān)重要。為了解決此問(wèn)題,學(xué)者們經(jīng)過(guò)努力提出了許多魯棒性的CD方法。這些方法大致可以分為兩大類:1)監(jiān)督的方法;2)無(wú)監(jiān)督的方法。監(jiān)督的方法通過(guò)使用大量標(biāo)記數(shù)據(jù)產(chǎn)生良好性能[5]。然而,該方法總是難以獲得足夠的標(biāo)記數(shù)據(jù),因此不能滿足實(shí)際應(yīng)用的需要。相反,無(wú)監(jiān)督的方法不需要任何先驗(yàn)信息的支持。同時(shí),它可以將人為誤差減少到最小。因此,在本文中,主要考慮使用無(wú)監(jiān)督的方法檢測(cè)SAR圖像的變化。無(wú)監(jiān)督的SAR圖像變化檢測(cè)方法通常由以下3個(gè)步驟組成:1)圖像預(yù)處理;2)差異圖像(difference image,DI)產(chǎn)生;3)DI分類。在第一步中,幾何配準(zhǔn)是基本任務(wù),并起著重要的作用。在DI產(chǎn)生步驟中,常采用對(duì)數(shù)比、高斯比和鄰域比操作產(chǎn)生DI圖像。對(duì)于DI分類,最主要的工作是建立一個(gè)魯棒性的分類器,這是CD中最關(guān)鍵的一步,因?yàn)橐粋€(gè)分類器性能的好壞,直接影響到了CD精度的高低。

國(guó)內(nèi)外學(xué)者們對(duì)CD提出了許多強(qiáng)有力的分類方法。Lu等[6]提出了基于鄰域核聚類的半監(jiān)督支持向量機(jī)(support vector machine,SVM)分類法,來(lái)檢測(cè)SAR圖像的變化區(qū)域。Li等[7]提出了基于兩級(jí)聚類的無(wú)監(jiān)督CD方法,來(lái)提高CD的性能。Gong等[8]提出了一種基于模糊C均值(fuzzy C-means,FCM)聚類的改進(jìn)馬爾可夫隨機(jī)場(chǎng)方法來(lái)抑制散斑噪聲。在文獻(xiàn)[9]中,采用堆疊限制性玻爾茲曼機(jī)(restrictive boltzmann machines,RBM)來(lái)進(jìn)行SAR圖像CD。雖然上述方法取得了良好的性能,但特征表示能力仍然有限。

近年來(lái),深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNNs)因其強(qiáng)大的特征鑒別能力,已成功地應(yīng)用到了SAR圖像分析中,并在SAR圖像CD中取得了非常不錯(cuò)的效果。 Liu等[10]提出了一種利用增強(qiáng)局部限制性卷積神經(jīng)網(wǎng)絡(luò)(local restricted CNNs, LR-CNNs)來(lái)檢測(cè)SAR圖像中的變化區(qū)域。Gao等[11]提出了基于卷積小波神經(jīng)網(wǎng)絡(luò)的SAR圖像中海冰變化檢測(cè)。隨后,在文獻(xiàn)[12]中,提出了輕量級(jí)CNNs模型檢測(cè)多實(shí)相SAR圖像中的變化區(qū)域。雖然上述基于CNNs的方法利用深度特征的表示在SAR圖像的CD方面取得了優(yōu)異的性能,但是現(xiàn)有的方法通常使用塊特征進(jìn)行分類時(shí),忽略了對(duì)SAR圖像CD性能至關(guān)重要的上下文信息。另外,基于CNNs的方法都是利用塊提取圖像特征,容易在每個(gè)塊的邊緣區(qū)域引入一些噪聲特征。如何在保留上下文信息的同時(shí)減少邊緣區(qū)域噪聲的干擾是SAR圖像CD所面臨的一個(gè)難題。

受人類視覺(jué)感知機(jī)制的啟發(fā),提出了一種魯棒、精確的多域卷積(multi-region convolution, MRC)與改進(jìn)自注意機(jī)制(improved self-attention mechanism,ISAM)聯(lián)合的網(wǎng)絡(luò)模型(簡(jiǎn)稱MRCISAM),用于SAR圖像的CD檢測(cè)任務(wù)。首先,該方法利用MRC模型提取SAR圖像的特征,不但能保持上下文的信息,而且能有效強(qiáng)調(diào)每個(gè)圖像塊的中心區(qū)域;然后,在自注意機(jī)制(self-attention mechanism,SAM)模塊中加入空洞卷積層(dilated convolution,DC),形成新ISAM模塊。該模塊能突出有用的特征區(qū)域,來(lái)引導(dǎo)MRCISAM網(wǎng)絡(luò)進(jìn)行正確的變化檢測(cè)。最后,采用3種不同的真實(shí)SAR數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),所得實(shí)驗(yàn)結(jié)果表明,本文中提出的方法比其他對(duì)比方法具有更好的性能。

1 方法

假設(shè)兩幅已配準(zhǔn)的SAR圖像I1和I2,它們分別是在T1和T2時(shí)間觀測(cè)地球同一地理區(qū)域所拍攝。CD的主要目的是生成一幅二進(jìn)制圖像。其中,已經(jīng)發(fā)生變化的像素將其標(biāo)記為“1”,而未發(fā)生變化的像素將其標(biāo)記為“0”。

本文中所提出的MRCISAM網(wǎng)絡(luò)的SAR圖像CD框圖如圖1所示。

圖1 MRCISAM網(wǎng)絡(luò)模型的SAR圖像變化檢測(cè)框圖

該方法主要分為3步。

Step 1 (預(yù)分類):對(duì)數(shù)比運(yùn)算用來(lái)產(chǎn)生DI。然后,利用FCM算法將DI圖分為3種不同的聚類。

Step 2 (樣本圖像塊的產(chǎn)生):每個(gè)像素周圍生成圖像塊。將改變或未改變的高概率像素塊作為訓(xùn)練樣本,并生成一些虛擬樣本。

Step 3 (通過(guò)MRCISAM網(wǎng)絡(luò)分類):將在Step2中生成的圖像塊作為訓(xùn)練數(shù)據(jù)進(jìn)行處理,并輸入到MRCISAM中。經(jīng)過(guò)訓(xùn)練后,將原始SAR圖像中的所有樣本塊輸入到學(xué)習(xí)的MRCISAM模型中進(jìn)行分類,得到最終的變化映射圖。

1.1 預(yù)分類和樣本圖像塊的生成

在進(jìn)行變化信息分析之前,先使用對(duì)數(shù)比運(yùn)算符將SAR圖像的線性尺度轉(zhuǎn)換為對(duì)數(shù)尺度,然后再進(jìn)行變化信息分析。對(duì)數(shù)比圖像DI通過(guò)DI= |logI2/I1|計(jì)算。結(jié)果表明,利用對(duì)數(shù)比運(yùn)算符可以將乘性噪聲轉(zhuǎn)變?yōu)榧有栽肼暋＋@得DI后,利用分層FCM算法將DI圖像分為3組:改變類Ωc,未改變類Ωu,中間類Ωi。像素屬于Ωc是具有高概率改變類,像素屬于Ωu是具有高概率未改變類。因此,本文選擇Ωc和Ωu作為訓(xùn)練樣本。屬于Ωi類的像素將被MRCISAM進(jìn)一步分類。

值得注意的是,在選擇樣本訓(xùn)練MRCISAM模型時(shí),正樣本數(shù)量與負(fù)樣本數(shù)量應(yīng)一樣。對(duì)于給定的像素,分別以該像素為中心從I1和I2圖像中提取圖像塊。每個(gè)塊的大小為r×r(r=7),將輸入圖像I1和I2的塊聯(lián)合在一起,形成大小為2×r×r的圖像塊。新產(chǎn)生的圖像輸入到MRCISAM模型中進(jìn)行訓(xùn)練。訓(xùn)練后,像素中心屬于Ωi類的圖像塊再進(jìn)行進(jìn)一步分類。

1.2 多域卷積特征提取

如圖1所示,整個(gè)MRCISAM網(wǎng)絡(luò)中包含4個(gè)MRC模型。MRC模型的細(xì)節(jié)如圖2所示。因?yàn)樯舷挛男畔?duì)SAR圖像CD有著重要的影響,現(xiàn)有方法常采用固定大小的窗口(3×3,5×5,6×6)等來(lái)確定位置是否發(fā)生了變化。本文中認(rèn)為,如果在特征提取時(shí)放棄一些邊緣區(qū)域,強(qiáng)調(diào)中心區(qū)域,從而就能消除邊緣區(qū)域的噪聲。為此,本文中提出提取多區(qū)域特征,來(lái)增強(qiáng)SAR圖像在CD中的特征表示。

圖2 MRC模塊框圖Fig.2 Illustration of the MRC module

以下是3種區(qū)域表示形式:① 整體區(qū)域。如圖2所示,它是一個(gè)方形塊,用CNNs引導(dǎo)捕獲中心像素的全局上下文信息。② 水平中間區(qū)域。設(shè)計(jì)圖像塊集中在水平中心區(qū)域,且將頂部和底部的像素刪除。③ 垂直中間區(qū)域。設(shè)計(jì)垂直圖像塊集中在中心區(qū)域,而將集中在左右2部分的像素刪除。如果在CNNs模型中考慮上述區(qū)域,中心區(qū)域?qū)?huì)得到增強(qiáng),邊緣上的噪聲像素將得到有效抑制。

假設(shè)圖像塊A∈R2×r×r,將其輸入到1×1的卷積層,獲得新的特征映射F∈RC×r×r。然后,根據(jù)通道維數(shù)將F分為Fg、Fh和Fv三組。因此,Fg、Fh和Fv的形狀分別是C/3×r×r。Fg表示整體特征,Fh指的是水平中間區(qū)域特征。其中,頂部和底部的幾行像素被移除,設(shè)置為0。Fv代表垂直中間區(qū)域特征,其中,左側(cè)和右側(cè)幾列像素被移除,設(shè)置為0。在本文中將r設(shè)置為7,Fv特征的上邊兩行和下邊兩行分別設(shè)置為0,而Fh特征的左兩列和右兩列分別設(shè)置為0。

以圖像塊大小為例,輸入特征映射被卷積成15個(gè)通道,然后將其分成Fg、Fh和Fv三組,經(jīng)3×3卷積層后,能夠獲得F′g、F′h和F′v,這些特征進(jìn)行元素級(jí)求和融合,形成輸出特征。

Fg、Fh和Fv三組特征分別經(jīng)過(guò)的卷積層后,可分別獲得F′g、F′h和F′v三組特征。將這些特征通過(guò)元素級(jí)求和進(jìn)行融合如下:

Ffus=F′g+F′h+F′v

(1)

式中,Ffus∈C/3×r×r表示融合后的特征,在本文實(shí)驗(yàn)中將C設(shè)置為15。因此,最終可得到MRC模型的融合特征圖大小為5×7×7。

1.3 空洞卷積

為了學(xué)習(xí)更多的辨別特征,在MRCISAM的網(wǎng)絡(luò)中,本文中使用空洞卷積DC代替Transformer中自注意模塊的標(biāo)準(zhǔn)卷積。DC在過(guò)去也稱為帶有空洞濾波器的卷積,它在小波分解的átrous算法中起著關(guān)鍵作用[13]。隨后,進(jìn)一步采用語(yǔ)義分割的方法,在不損失圖像分辨率的情況下聚合多尺度上下文特征。數(shù)學(xué)上,2個(gè)函數(shù)之間的卷積運(yùn)算(*)可以表示如下:

式中:f為核大小為m的離散函數(shù);g為大小為n的濾波器;r為感受野的大小。另外,DC表示為式(3),其中k表示膨脹率。

DC是基于卷積運(yùn)算,不需要重建空洞濾波器。通過(guò)使用多個(gè)膨脹率,可以在不同的范圍內(nèi)應(yīng)用相同濾波器來(lái)接受不同感受野。根據(jù)混合DC方案[14],在Transformer的SAM模塊中,分別對(duì)和的冗余卷積進(jìn)行1-和2-的膨脹。即,1-DC在感受野方面等于標(biāo)準(zhǔn)卷積,1-膨脹的卷積和2-膨脹的卷積的感受野與標(biāo)準(zhǔn)卷積一樣,如圖3所示。采用DC能夠提供更大的接受域,并允許模型專注于局部特征信息。另外,DC的引入不但不會(huì)增加額外的計(jì)算量,而且還能夠保證快速的卷積操作和有效的推理。

圖3 空洞卷積概述

1.4 SAM模型

為了突出有用區(qū)域和模型特征關(guān)系,進(jìn)一步研究了Transformer在機(jī)器翻譯中成功采用的SAM[15]。在Transformer的SAM單元中,輸入分為查詢(Q)、鍵(K)和值(V)3個(gè)組成部分,如圖4(a)所示。首先計(jì)算所有鍵查詢的點(diǎn)積,然后將SoftMax函數(shù)放在矩陣乘法的結(jié)果上,得到該值對(duì)應(yīng)的權(quán)重,稱其為SAM,也可以考慮和捕獲上下文句子之間的長(zhǎng)期依賴關(guān)系。本文中受Transformer中SAM單元的啟發(fā),將DC卷積引入到其中,設(shè)計(jì)了一種新的ISAM模塊,并將其表述為建模特征關(guān)系的唯一注意機(jī)制。在圖4(b)中,輸入先被分別劃分為q、k和v分支。接下來(lái)并行執(zhí)行1-,2-,和5-膨脹率的3×3卷積,為了減少參數(shù)的瓶頸,對(duì)1-和2-膨脹卷積后的特征在進(jìn)行一次1×1卷積,然后采用SoftMax函數(shù)計(jì)算激活概率。在ISAM輸出之前,受文獻(xiàn)[16]啟發(fā),采用的 Sigmoid注意特征融合方案能夠更有效的融合注意特征。在DC卷積的幫助下,ISAM能夠捕獲全局特征,同時(shí)也關(guān)注局部語(yǔ)義信息。

圖4 SAM的體系結(jié)構(gòu)概述

在方程 (6)中,計(jì)算q、k和v特征映射之間的矩陣乘法,然后計(jì)算SoftMax函數(shù)。

att(q,k,v)=softmax(q(xs)k(xs)T)v(x)

(6)

在方程 (7)中,對(duì)方程(6)輸出的注意特征映射取激活函數(shù),可獲得新的權(quán)重W, 然后在方程(8)中,利用權(quán)重W將多域卷積提取的輸入特征Ffus和與注意特征映射進(jìn)行加權(quán)融合,可獲得最終輸出Fout。

W=sigmoid(att(q,k,v))(7)Fout=

att(q,k,v)?W+Ffus?(1-W)

(8)

如圖4所示,ISAM被放置在4個(gè)MRC和2個(gè)全連接層(full connected layers,FC)之間,ISAM與非局部網(wǎng)絡(luò)的擴(kuò)展操作相比,ISAM是輕量級(jí)的,并且它可以用很少的計(jì)算成本有效的插入到其他架構(gòu)中。更重要的是,它可以對(duì)全局特征關(guān)系進(jìn)行建模,同時(shí)捕獲局部上下文信息,優(yōu)于簡(jiǎn)單的注意機(jī)制單元檢測(cè)方法[17]。

1.5 生成最終變化映射圖

差異圖像經(jīng)過(guò)4層MRC模塊和ISAM模塊后,可以獲得包含有全局上下文信息,且中心區(qū)域得到增強(qiáng)的特征矢量Vs,其長(zhǎng)度為5×5×7=175。將特征矢量Vs輸入到FC層后,差異圖像中變化或未變化的概率就會(huì)通過(guò)SoftMax層生成輸出。經(jīng)過(guò)訓(xùn)后,類中的像素通過(guò)MRCISAM網(wǎng)絡(luò)就可以進(jìn)一步進(jìn)行分類,并獲得最終的變化映射圖。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)建立

為了證明所提MRCISAM算法的有效性,本文從https://github.com/summitgao/SAR_changed_Detection_Data.網(wǎng)址上獲得大量的SAR圖像數(shù)據(jù)集用于MRCISAM網(wǎng)絡(luò)訓(xùn)練,并選用3種不同類型的SAR數(shù)據(jù)集進(jìn)行測(cè)試。其中,第一種數(shù)據(jù)集為舊金山數(shù)據(jù)集(San Francisco),圖像大小為256×256像素,它是由ERS-2SAR傳感器在舊金山市上空捕獲所得。第二種數(shù)據(jù)集為黃河數(shù)據(jù)集(Yellow River),圖像大小為306×491像素,它顯示了Radarset-2在中國(guó)黃河河口地區(qū)采集的一段SAR圖像。第三種數(shù)據(jù)集為渥太華數(shù)據(jù)(Ottawa),圖像大小為290×350像素,它提供了由RADARSATSAR傳感器捕獲的兩幅SAR圖像中的一部分。這些圖像展示了曾經(jīng)遭受洪水破壞的地區(qū)。需要提醒的是,以上介紹的這3種數(shù)據(jù)集都受到了不同特征噪聲的污染。因此,用這些數(shù)據(jù)集進(jìn)行CD是非常具有挑戰(zhàn)性的。

為了進(jìn)一步證明本文方法的優(yōu)越性,選用了6種主流的CD方法與所提出的方法進(jìn)行比較。這些方法分別為PCAKM[18]、GaborPCANet[19]、DBN[20]、DCNet[21]、ESCNet[22]和DDNet[23]。這些方法分別采用文獻(xiàn)[18-23]中所提供的默認(rèn)參數(shù)來(lái)實(shí)現(xiàn)。

黃庭堅(jiān)強(qiáng)調(diào)煉句，多有奇妙之語(yǔ)，朝鮮詩(shī)人就經(jīng)常取黃庭堅(jiān)的詩(shī)語(yǔ)入詩(shī)，如李穡《又賦》說(shuō)朋友“詩(shī)語(yǔ)自變?nèi)绺⑽獭盵2](4輯，P282)，奇大升《圍棋》表示“涪翁妙句心能會(huì)”[2](40輯，P25)，金錫胄《納清亭》也“徘徊為覓涪翁句”[2](145輯，P229)，金鎮(zhèn)圭《壽伯氏生朝》說(shuō)哥哥“孤生已感涪翁語(yǔ)”[2](174輯，P56)。詩(shī)人們用黃庭堅(jiān)詩(shī)語(yǔ)主要有三種形式：巧妙點(diǎn)化、稍作改動(dòng)和直接引入。

在本文中,采用錯(cuò)檢個(gè)數(shù)(FP),漏檢個(gè)數(shù)(FN),總體誤差(OE),正確分類百分比(PCC)和Kappa系數(shù)(KC)這5種常規(guī)客觀指標(biāo)評(píng)價(jià)SAR圖像CD的性能[23]。

2.2 參數(shù)分析

為了獲得上下文信息,在每個(gè)樣本的像素周圍提取一個(gè)大小為r×r的圖像塊。參數(shù)r是影響SAR圖像CD性能的關(guān)鍵參數(shù)。因此,本文中將r分別設(shè)置5、7、9、11、13和15。不同r值與PCC值之間的關(guān)系如圖5所示。

圖5 不同圖像塊大小和PCC間的關(guān)系

觀察圖5可以得出,在3種不同的SAR圖像數(shù)據(jù)集上,r=7時(shí)PCC值達(dá)到最好。當(dāng)r>7時(shí),PCC的值有下降趨勢(shì),主要原因在于大的圖像塊不能代表中心像素,并且CD容易受到散斑噪聲的影響。當(dāng)r≤7時(shí),PCC值相對(duì)較低,因?yàn)樾枰紤]更多的上下文信息。在接下來(lái)的實(shí)驗(yàn)中,r的值被設(shè)置成7。

2.3 消融實(shí)驗(yàn)

為了證明MRC模型和ISAM模型的有效性,本文中選用了3組不同的SAR數(shù)據(jù)集進(jìn)行了消融實(shí)驗(yàn)。3種實(shí)驗(yàn)所用的方法分別為:① MRC網(wǎng)絡(luò)不含SAM模塊;② MRC與SAM模型結(jié)合,且SAM模塊中不包含DC層;③ MRC與ISAM模型結(jié)合,且ISAM模塊中加入了DC層。從表1中可以看出,MRC與ISAM模塊能有效的提高CD的性能。ISAM在3組數(shù)據(jù)集上的PCC值分別提高0.37%、0.2%和0.28%,這足以說(shuō)明,DC的引入能有效的保留辨別特征。

表1 MRC與ISAM方法的消融實(shí)驗(yàn)(PCC)

2.4 結(jié)果與分析

本節(jié)將所提出MRCISAM方法與6種相關(guān)聯(lián)的方法進(jìn)行比較,所有方法的主觀視覺(jué)評(píng)價(jià)和客觀分析分別見(jiàn)圖6和表2、圖7和表3、圖8和表4所示。

表2 不同方法在San Francisco數(shù)據(jù)集上的測(cè)試結(jié)果

表3 不同方法在Yellow River數(shù)據(jù)集上的測(cè)試結(jié)果

表4 不同方法在Ottawa數(shù)據(jù)集上的測(cè)試結(jié)果

圖6 不同CD方法在San Francisco數(shù)據(jù)集上的視覺(jué)對(duì)比結(jié)果

圖7 不同CD方法在Yellow River數(shù)據(jù)集上的視覺(jué)對(duì)比結(jié)果

圖8 不同CD方法在Ottawa數(shù)據(jù)集上的視覺(jué)對(duì)比結(jié)果

在San Francisco數(shù)據(jù)集上,觀察圖6(d)—(i)所給出不同對(duì)比方法的變化圖和其所對(duì)應(yīng)于表2中的實(shí)驗(yàn)結(jié)果可知。PCAKM的方法錯(cuò)檢了許多未發(fā)生變化的像素。導(dǎo)致PCAKM方法的FP值較高,CD的整體性能受到了影響。 DBN和DCNet方法在少量噪聲下實(shí)現(xiàn)了較好的性能,但是變化像素丟失嚴(yán)重。對(duì)GaborPCANet方法,FP和FN值得到了平衡。但在變化圖中仍存在一些白噪聲,并且在左上角忽略了一些發(fā)生變化的區(qū)域。 更多可接受的視覺(jué)結(jié)果如圖6(f)—(j)所示。比較圖6(f)—(j),DCNet方法獲得了變化區(qū)域的細(xì)節(jié),而DBN方法抑制了噪聲。此外,本文中所提的MRCISAM方法與前面的方法相比,MRCISAM方法獲得了最好的PCC和KC值。很明顯,ISAM模塊提高了CD檢測(cè)的性能。

在Yellow River數(shù)據(jù)集上,不同方法所產(chǎn)生變化圖如圖7所示。其相對(duì)應(yīng)的客觀評(píng)價(jià)標(biāo)準(zhǔn)如表3中所列。Yellow River數(shù)據(jù)集受到嚴(yán)重的噪聲污染。因此,采用傳統(tǒng)方法很難獲得令人滿意的結(jié)果。PCAKM和GaborPCANet方法的變化圖顯示出許多噪聲區(qū)域。導(dǎo)致這2種方法的FP值很高。對(duì)于GaborPCANet方法,丟失了許多已變化的像素,獲得了較高的FN值。盡管抑制了噪聲干擾,但忽略了許多重要的變化信息,導(dǎo)致了較高的FN值。圖7(f)—(j)性能較好,并且很明顯,基于深度學(xué)習(xí)的方法可以更有效地探索上下文信息。特別是本文MRCISAM方法能有效抑制底部變化的噪聲,不但實(shí)現(xiàn)了最好的視覺(jué)效果,而且也獲得了更高的PCC和KC值。

在Ottawa數(shù)據(jù)集上,圖8給出了不同方法所獲得的變化圖,表4列出了詳細(xì)的評(píng)價(jià)標(biāo)準(zhǔn)?？梢钥闯?PCAKM的方法丟失了許多小的變化區(qū)域。因此,該方法的FN值較高。GaborPCANet,DDNet和本文中所提出的MRCISAM方法實(shí)現(xiàn)了好的效果。從表4可以看出,MRCISAM方法優(yōu)于GaborPCANet方法,PCC值高出了約0.79%。同時(shí),MRCISAM方法的PCC值超出DDNet方法約%0.56。在ESCNet方法的結(jié)果中,FP值最低,而FN值最高。因?yàn)樵S多細(xì)微的變化區(qū)域作為噪聲被消除了。此外,MRCISAM的PCC值略高于DBN和DCNet。這是因?yàn)镸RCISAM具有更好的細(xì)節(jié)保護(hù)能力,從而導(dǎo)致FN值較低。根據(jù)PCC值和視覺(jué)效果,MRCISAM方法在Ottawa數(shù)據(jù)集上性能最好。

以上3種數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,所提出的MRCISAM方法,能夠獲得最好的性能。此外,本文所提出的MRCISAM方法與傳統(tǒng)的基于CNNs方法相比的優(yōu)勢(shì),就是分別采用MRC模塊提取圖像的上下文信息,采用ISAM模型來(lái)提高檢測(cè)的精度。

3 結(jié)論

本文中提出了一種基于MRCISAM的SAR圖像變化檢測(cè)方法。該方法先通過(guò)MRC模型增強(qiáng)輸入圖像塊的中心區(qū)域特征;再利用ISAM模型對(duì)MRC模型輸出特征進(jìn)行優(yōu)化,來(lái)提高CD的精度。最后,采用3組不同類型的SAR圖像進(jìn)行實(shí)驗(yàn),所得實(shí)驗(yàn)結(jié)果表明,本文提出的CD方法在性能上明顯優(yōu)于PCAKM、GaborPCANet、DBN、DCNet、ESCNet、DDNet和DDNet的方法。