【论文笔记】变化检测1（SAR图像）

目录

1. Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet（2016）

2. A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images（2018）

3. Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network（2019）

转载&参考博客

---

1. Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet（2016）

论文地址：Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet | IEEE Journals & Magazine | IEEE Xplore

摘要：

• 文章提出基于PCANet的多时相合成孔径雷达图像变化检测方法。

• 该方法利用每个像素的代表性邻域特征，采用PCA滤波器作为卷积滤波器。 给定两幅多时相图像，利用Gabor小波和模糊c-均值来选择具有较高变化或不变概率的感兴趣像素。 然后，生成以感兴趣像素为中心的新图像补丁，并使用这些补丁训练PCANet模型。 最后，利用训练后的PCANet模型对多时相图像中的像素进行分类。 将PCANet分类结果和预分类结果相结合，形成最终的变化图。

结构： 

步骤：

1. 预分类：使用log-ratio算子生成log-ratio图像。然后，利用Gabor小波和FCM算法对有较大概率发生变化或不变的兴趣点进行选择。剩下的像素将在步骤3中进一步确定。
2. PCANet模型训练：生成以感兴趣像素为中心的新图像块。PCANet模型使用这些补丁进行训练。
3. 变化和不变像素分类：使用训练好的PCANet模型，将步骤1中剩余的像素进一步划分为变化和不变类。然后，将PCANet分类结果与预分类结果相结合，形成最终的变化图。

创新点：采用了PCANet与传统方法相结合的方式解决新问题，并提高精确度。

 参数选择：

结果：

  可视化：c为ground true。

 总结：

​提出了一种基于层次FCM聚类和PCANet的SAR图像变化检测方法。 该方法利用每个像素的代表性邻域特征，采用PCA滤波器作为卷积滤波器。 然后，该方法对散斑噪声具有较强的鲁棒性，产生较低的虚警数。 与四种密切相关的方法相比，该方法表现出良好的性能。 

2. A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images（2018）

论文地址：A Deep Convolutional Coupling Network for Change Detection Based on Heterogeneous Optical and Radar Images - PubMed

主要内容：

基于光学传感器和雷达在不同日期获取的两幅异构图像，本文提出一种无监督深度卷积耦合网络用于变化检测。现有的变化检测方法大多基于同质图像。由于光学传感器与雷达传感器的互补性，基于异质图像(光学图像和合成孔径雷达图像)的变化检测越来越受到人们的关注。该网络是对称的，每边由一个卷积层和几个耦合层组成。将连接到网络两侧的两幅输入图像分别转换到特征空间中，使其特征表示更加一致。在这个特征空间中，计算不同的地图，然后应用阈值算法得到最终的检测地图。通过优化耦合函数来学习网络参数。学习过程是无监督的，不同于现有的基于异构图)的变化检测方法。

论文提出了一种对称卷积耦合网络(SCCN)用于异构图像的变化检测。SCCN有三个主要特征。

• 首先，该网络具有对称结构，两侧各由卷积层和耦合层组成，用于特征提取和转换。
• 其次，通过最小化耦合函数，从网络的两侧同时通过分层耦合层进行特征转换，该函数测量像素级差异对不变像素的求和。
• 第三，首先使用分层特征提取器对网络参数进行初始化，并结合图像的某些噪声模型，以减少噪声的影响，提取有用的特征，方便学习过程。

与上述基于异构图像的变化检测方法不同，本文方法是完全无监督的，在学习过程中自动识别并利用不变的像素点。

架构：

 本文主要是通过无监督方法（DAE+Siamese）对异质图像（光学图像和合成孔径雷达图像）进行相似性比较，具体步骤如下：

1. 先使用去噪自编码器对两张图片进行预训练更新网络参数集
2. 优化耦合函数（其实就是Siamese与伪Siamese的结合），也就是网络训练过程，对不变区域进行对齐
3. 将图片输入训练好的网络，差异图为两张特征图直接进行距离计算

创新点：

1. 输入图片先利用去噪自编码器配合概率模型（光学图像用高斯噪声，SAR用散斑噪声）进行去噪
2. 由于SCCN是双边的，使损失函数中耦合函数关于和θ的最小值可能导致退化的特征表示，即h1(x, y)≡h2(x, y)≡C,  C是一个常数。

解决：首先将DAE应用到SCCN的每一边。然后，由DAE推导出的一侧网络参数是固定的。然后，以DAE获得的参数为起点，学习另一侧的网络参数，并通过反向传播进行最小化。无监督学习生成的一致特征空间可以很好地表示输入图像。同时，通过无监督特征学习方法对网络进行预训练，以此初始化网络参数，便于后续的反向传播算法。

3. Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network（2019）

论文地址： Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network | IEEE Journals & Magazine | IEEE Xplore

主要内容：

本文提出一种用于SAR图像变化检测的深度级联网络（DCNet）。一方面，建立了一个非常好的DCNet来利用判别特征，并引入了残差学习来解决爆炸梯度问题。另外，采用融合机制来组合不同层次层的输出，以进一步缓解爆炸梯度问题。此外，为SAR变化检测设计了一个简单而有效的基于信道加权的模块。平均池和最大池用于汇总通道信息。强调有意义的通道特征，减少不必要的特征，因此可以减少特征图中的相似性，从而提高DCNet的分类性能。

架构：

 预分类和伪样本生成：

• 首先采用对数比运算生成DI，减少斑点噪声的影响。
• 采用FCM算法对DI分类，分为三类Ωc，Ωu，Ωi，Ωc和Ωu分别表示改变的类和不变的类。 Ωi表示不确定类。 选择属于Ωc和Ωu的像素作为所提出的DCNet的可靠样本。 Ωi中的像素将由DCNET进一步分类。

通过DCNet分类并生成最终的变化图：

• 引入残差学习和batch normalization来优化卷积层，采用融合技术充分利用不同层的特征。
• 设计了信道加权模块，以利用特征信道间的关系。

DCNet结构：

 

1. 基于信道加权的残差块：将输入特征映射x∈Rw×w×c输入到卷积层中，得到F，并通过平均池和最大池算子在空间域中压缩F。 生成两个不同的空间特征描述符Favg∈R1×1×c和Fmax∈R1×1×c。将两个特征描述符分别输入两个FC层。在最后一个FC层中，平均池特性和最大池特性之间共享权重W2∈Rc×ct。 应用共享FC层后，使用元素求和合并输出特征向量。 基于信道加权的向量M计算为

   基于信道加权的特征Fcw可以表示为

   最后，通过Fcw和输入特征x的元素求和，计算了基于信道加权的残差块的输出。

2. 特征融合： 三个基于信道加权的残差块组的特征分别表示为F1、F2和F3。为了匹配维度，使用64个内核对F1、F2和F3进行卷积。 每个内核的大小是1×1。融合过程可以通过像素级求和实现如下：

3. 属于Ωc和Ωu的像素被视为所提出的DCNET的训练样本。 在获得训练模型后，Ωi中的像素可以通过模型进行分类。 将DCNET分类结果和预分类结果组合在一起形成变化图。变化图中，更改的像素被标记为“1”，未更改的像素被标记为“0。”

 

转载&参考博客

Change Detecion文献综诉_Nevermore93117的博客-CSDN博客

论文阅读：《Automatic Change Detection in Synthetic Aperture Radar Images Based on PCANet》 - lixinaa - 博客园

论文阅读：Change Detection From Synthetic Aperture Radar Images Based on Channel Weighting-Based Deep Cascade Network - lixinaa - 博客园