一種基于CNN的SAR圖像變化檢測方法

徐 真 王 宇 李 寧* 張 衡 張 磊

①(中國科學院電子學研究所 北京 100190)

②(中國科學院大學 北京 100049)

一種基于CNN的SAR圖像變化檢測方法

徐 真①②王 宇①李 寧*①張 衡①②張 磊①

①(中國科學院電子學研究所 北京 100190)

②(中國科學院大學 北京 100049)

該文提出了一種基于卷積神經網絡(CNN)及有效圖像預處理的合成孔徑雷達(SAR)圖像變化檢測方法。為了驗證方法的有效性，以2011年日本仙臺地區地震導致的城區變化為例進行了研究。在預處理中分別利用DEM模型以及Otsu方法對SAR圖像中的山體和水體進行了提取和去除。利用多層卷積神經網絡從SAR圖像中自動學習目標特征，再利用學習到的特征對圖像進行分類。訓練集和測試集的分類精度分別達到了98.25%和97.86%。利用圖像差值法得到分類后的SAR圖像變化檢測結果，并驗證了該方法的準確性和有效性。另外，文中給出了基于CNN的變化檢測方法和傳統方法的對比結果。結果表明，相對于傳統方法，基于CNN的變化檢測方法具有更高的檢測精度。

SAR圖像；變化檢測；卷積神經網絡

1 引言

大范圍的自然災害，例如地震、海嘯等，嚴重威脅著人類的生命和財產安全。受災區域的變化檢測分析對災后救援和重建有著重要意義。從遙感數據中獲取災害信息是一種十分重要的災害研究手段。高分辨率星載合成孔徑雷達(Synthetic Aperture Radar, SAR)由于其不受天氣、晝夜變化的影響[1]，是監測受災區域變化情況的有力工具。隨著人們對災害救援速度的要求越來越高，快速有效的變化檢測方法對于掌握災害情況顯得尤為重要。2011年3月11日，日本東北海域發生了里氏9.0級地震并引發海嘯，造成重大人員傷亡及財產損失[2]。本文基于SAR圖像對遭受地震損害的日本仙臺地區進行了地震前后的變化檢測。

一般來說，SAR變化檢測方法可以被分成兩類：圖像代數方法和分類比較法[3]。圖像代數方法是基于像素級別的變化檢測方法[4—7]。然而，圖像代數方法只能得到區域的變化情況，不能區分變化區域的類別。另外，噪聲可以導致高誤警率[8]。分類比較法是基于目標級別的變化檢測方法。利用分類比較法不僅可以獲得區域的變化情況，還能同時獲得變化區域的類別。另外，基于目標級別的變化檢測方法對噪聲不敏感[9]。基于目標的方法已經在遙感圖像分類和變化檢測中展現了很大的潛力[10—12]。研究人員證明基于目標的方法不僅在降低噪聲干擾上具有優勢，而且能夠將空間，紋理，及鄰近關系結合起來，進行有效的變化檢測[8]。一般而言，基于目標的變化檢測方法都是先對圖像進行分類，然后再對分類后的圖像進行變化檢測。許多傳統的分類方法都是通過提取目標特征的方式對圖像中的目標進行分類，例如最小距離法、最大似然方法、灰度共生矩陣、小波變換等。傳統的特征提取工作是復雜并且耗時的。然而，災害檢測需要效率更高的特征提取方法。隨著人工智能的發展，深度學習被引入了SAR圖像處理領域，常用的深度學習算法包括深度信念網絡(Deep Belief Network, DBN)，循環神經網絡(Recurrent Neural Network, RNN)，卷積神經網絡(Convolutional Neural Network,CNN)，等等。其中，CNN是在計算機視覺領域中最常采用的算法。卷積神經網絡可以實現高精度的分類，在處理2維圖像數據方面具有明顯的優勢[13—15]。CNN采用原始圖像作為輸入，避免了復雜的特征提取過程，并且在特征學習過程中不需要過多的人工參與。本文提出了基于卷積神經網絡(CNN)的SAR圖像變化檢測方法，將卷積神經網絡應用于地震災害檢測是較新的研究領域。

本文提出了一種基于CNN的SAR圖像變化檢測方法，利用這一方法對地震前后同一受災地區的變化情況進行了檢測和評估。利用訓練好的CNN模型對目標特征進行自動提取并且對圖像進行分類。分類之后，利用圖像差值方法對受災區域建筑和農田的損毀情況進行了檢測。最后與傳統變化檢測方法的結果進行了對比，定量分析結果表明基于CNN的變化檢測方法具有更高的檢測精度以及較低的檢測誤差。

2 基于CNN的SAR圖像變化檢測方法

本文提出的基于CNN的變化檢測方法主要分為4個步驟。(1)預處理：對山體和水體進行提取和去除；獲取訓練數據集。(2)訓練CNN模型。(3)圖像分類。(4)對分類后的圖像進行變化檢測。處理流程如圖1所示。

2.1 預處理

在預處理中，首先對圖像進行了幾何校正、圖像配準、地理編碼、直方圖均衡等操作。研究中將SAR圖像中的目標分為4類：山體、水體、建筑和農田。文中主要研究地震對人類生存區域的影響，所以主要關注的類別是建筑和農田，然而在所研究的圖像中，山體和水體占據了大部分，這會導致模型訓練的復雜性增加。另外，山體和建筑在SAR圖像中特征的相似性會導致分類精度下降。為了降低計算復雜度，并且提高分類精度，在預處理過程中對山體和水體進行了提取與去除以降低干擾及提高計算效率。

圖1 處理流程圖Fig. 1 Processing chain

對山體的提取利用了數字高程模型(Digital Elevation Model, DEM)信息。在DEM中，山體的坡度要高于其他的地物目標。將區分山體和其他地物目標的坡度閾值設定為20°。坡度高于20°的目標被標記為山體，從而可以提取出山體[16]。對水體的提取利用Otsu閾值方法[17]。一般而言，水體在SAR圖像中較暗，可以認為是SAR圖像的背景。Otsu閾值方法是利用最大類間方差來衡量SAR圖像前景與其背景水體的差別，使得最大類間方差最大，即可以得到區分前景和背景水體的最佳閾值。

2.2 獲取訓練數據集

研究中采用粗略的手動標記方法生成樣本。在圖像中，將一部分總體類別相同且分布集中的區域手動標記為建筑區域和農田區域。由于僅對圖像進行粗略標記且精度要求不高，所以僅需要少量的人工操作。利用樣本標記獲得的標簽，采用滑窗的方法從圖像中生成大量帶有標簽的樣本。首先利用這些初始樣本訓練CNN，利用訓練得到的模型對圖像進行預測，從預測結果與手動標記一致的樣本中選出等量的建筑、農田樣本作為新的標簽樣本集。重復上述過程，就可以得到最終的訓練樣本集。這種獲得訓練數據集的方式可以去除由粗略標記引入的錯誤標記的樣本，既提高了樣本的質量，也放寬了對手動標記樣本的精度要求。

樣本的大小需要根據實際情況來確定。如果樣本過小，樣本中包含的目標特征信息將會不足，從而會影響分類精度；反之，如果樣本過大，樣本中會包含冗余的信息，也會對分類結果產生影響。經過訓練驗證，本文選取訓練樣本的尺寸為24×24。為了得到足夠數量的樣本集，利用旋轉樣本法對樣本集進行了擴充。對每一個樣本都進行了旋轉操作，每一個樣本分別被旋轉了，從而樣本數目擴充為原來的7倍。最終得到的訓練樣本數目為200萬，交叉驗證樣本數為50萬，測試樣本數為50萬，這些樣本中包含等量的建筑及農田樣本。

2.3 CNN結構

研究中所用CNN模型的結構如圖2所示。CNN的結構包含卷積層、池化層、展開層、全連接層以及輸出層等。下面將詳細介紹模型結構及參數設置：

圖2 CNN結構圖Fig. 2 The structure of CNN

(1) 卷積層：卷積層的作用是實現輸入圖像數據與濾波器的卷積，從而實現目標特征的提取。在一個卷積層中，每一個節點都只與前一層中鄰近的幾個節點互相連接，并且每個節點的權重系數是相同的。第1個卷積層包含4個隨機初始化的卷積核函數，第2個卷積層包含16個隨機初始化的卷積核函數。卷積核的尺寸需要合理選取。如果卷積核的尺寸過小，則不能提取到有效的信息；反之，卷積核的尺寸過大，會導致過擬合現象發生。根據訓練驗證，選取卷積核的尺寸為5×5。由于線性整流函數(Rectified Linear Unit, ReLU)具有分段線性和稀疏性等有利于訓練的屬性[18]，因而使用ReLU作為卷積層的激活函數。

(2) 批量歸一化層：可以把批量歸一化看作一種有效的正則化方法。批量歸一化層通過將該層每一個批量的均值和方差分別調整到0和1來加快模型的訓練速度[19]。

(3) 最大值池化層：最大值池化是一個降采樣的過程，將一個小窗口的最大值作為該層的輸出，從而可以降低計算復雜度以及避免過擬合。這里將窗口大小設置為3×3。

(4) 展開層：展開層的作用是將2維的圖像數據轉化為1維的矢量數據，從而可以作為卷積層和全連接層的連接器，將卷積層的輸出調整成下一個全連接層的輸入。

(5) 全連接層：全連接層可以增加模型的容量，使用ReLU作為全連接層的激活函數。

(6) 輸出層：由于是二分類問題，使用Sigmoid函數作為輸出層的激活函數。

2.4 CNN模型訓練

以下是本文所使用的批量隨機下降算法(Stochastic Gradient Descent, SGD)訓練模型的內容：

(1) 初始化：通常建議使用較小的非全零隨機變量作為模型參數的初始值。因為參數的數值小，所以初始狀態時模型復雜度較低；因為非全零，神經元處于激活狀態，所以模型能夠被訓練。本文使用標準正態分布作為卷積層的初始參數。

(2) 參數更新：將訓練集的所有樣本隨機化，每個批量選擇32個樣本作為輸入以更新模型參數，并進行多次迭代。

(3) 優化方法：本文使用Adam[20]算法作為SGD優化算法，并且參數與文獻[21]一致。

(4) 訓練結束條件：使用Early Stopping算法監測訓練過程，并設定訓練終止條件。每個訓練周期結束，都會記錄交叉驗證集的損失。當交叉驗證集的損失停止下降時，對模型參數的更新停止，這就是Early Stopping方法的原理。

為了避免過擬合，這里采用了兩種正則化方法：Dropout方法以及上面介紹的Early Stopping。Dropout[14]方法是通過在訓練階段隨機將部分節點的輸出置零，本文將Dropout設置在每個隱藏層后，約有30%的節點被隨機輸出置零。

2.5 分類及變化檢測

CNN模型訓練完成后，建筑和農田的特征被提取出來并反映在CNN的模型參數中。為了對圖像進行分類，需要通過滑窗法將圖像劃分為許多與訓練樣本同樣大小的矩形區域。滑窗的策略是以整個小矩形區域所對應的窗口來滑動，滑動步長為4個像素。將矩形區域輸入到訓練好的CNN模型，可以得到預測類別。將矩形區域以4個像素點為步長滑動，可以得到整個圖像的分類。用這種滑窗策略，可能會導致目標的邊緣分類不夠精細。由于本文主要研究的是地震前后兩幅圖像的變化情況，同一目標在兩幅圖像中的分割方式是相同的，從而在分類過程中不會對檢測結果的統計特性造成較大影響。將通過滑窗方法獲得的圖像樣本輸入到訓練好的CNN模型中，可以得到各個樣本的類別，從而得到SAR圖像的分類結果。地震前后的SAR圖像分別利用訓練好的CNN模型進行分類。為了研究地震對研究區域造成的損害，對分類后的SAR圖像進行變化檢測，采用圖像差值法進行對比檢測。通過選取一定的閾值，可以檢測出震后發生變化的區域，結合圖像的分類結果，可以得到不同類別區域的變化情況。這里對地震前后建筑和農田的變化分別進行了檢測，得到了震后建筑和農田的受災情況分析結果。

3 實驗結果與分析

3.1 實驗數據集

2011年3月11日，日本東北部海域發生了9.0級地震，隨后發生了海嘯。其巨大的破壞力造成了嚴重的人員傷亡和財產損失，受到了全世界的廣泛關注。本文基于SAR圖像研究地震對日本仙臺地區造成的影響。圖3(a)是TerraSAR-X在2010年10月20日獲取的震前該地區的SAR圖像，圖3(b)是TerraSAR-X在2011年3月12日獲取的震后該地區的SAR圖像。兩幅SAR圖像均為HH極化的條帶模式，入射角為37.31°，分辨率為3.3 m。

3.2 分類結果

圖3 原始SAR圖像及分類結果Fig. 3 Raw SAR images and the classification results

分類方法的核心是CNN模型，利用訓練樣本集對CNN模型進行訓練，從而對CNN模型的參數進行更新，訓練后的CNN模型可以作為分類器來對SAR圖像進行分類。采用滑窗方法對SAR圖像進行分類，窗口的大小與訓練樣本大小相同，滑窗步長為4個像素。在SAR圖像上用滑窗法進行劃分，可以得到許多個小矩形區域。將各矩形區域的圖像數據輸入到已經訓練好的CNN模型，輸出的是該樣本屬于建筑或農田的概率值。為了得到該矩形區域的類別，可以確定一個閾值，當樣本屬于農田的概率值大于該閾值，將區域的類別確定為農田；當樣本屬于建筑的概率值大于該閾值，將樣本的類別確定為建筑。給定這一閾值，就可以得到輸入樣本的類別，進而得到SAR圖像的分類結果。閾值的選取會影響分類結果，然而實驗結果表明當閾值概率取在一定的范圍之內時，對分類結果的影響較小，實驗中將閾值取為70%。在實驗中會出現樣本輸出分類概率均小于70%的情況。在這種情況下，對這些樣本的處理方式是不對其進行標記，從而表明該樣本既不屬于建筑也不屬于農田。在分類實驗中，建筑樣本被標記為紅色，農田樣本被標記為綠色，而這類樣本則不進行標記。地震前后的SAR圖像分別利用訓練好的CNN模型進行了分類。由于預處理中已經去除了山體和水體，該區域可以分為兩類：建筑和農田。分類結果如圖3(c)，圖3(d)所示，不同的類別標記為不同的顏色，紅色表示建筑，綠色表示農田，黑色區域表示已經去除的山體和水體。從圖中可以看出，地震后的SAR圖像分類結果中紅色區域和綠色區域都有所減小，這表明地震后建筑區域和農田區域都有損毀。得到分類模型后，可以用測試集來驗證分類精度。測試集與訓練集類似，也是具有標簽的樣本集，將CNN模型的輸出結果與樣本相比較，可以得到測試集的分類精度。實驗結果表明，訓練集的分類精度為98.25%，測試集的分類精度為97.86%。由于文中提出的變化檢測方法是以CNN分類為基礎的，因此精確的分類是進行差異檢測的前提。分類精度越高，檢測結果也就越精確。在CNN模型訓練中，應盡可能提高分類精度，從而實現較好的變化檢測性能。4種類別在該區域所占的比例如圖4所示，研究中所關注的區域為建筑和農田，這部分區域約占據整個研究區域的32.8%，而山體和水體占據研究區域的67.2%。山體和水體占據了圖像的大部分區域，這表明對山體和水體的提取對去除冗余信息及簡化計算是十分有必要的。在所關注的區域中，農田區域占據整個研究區域的20.3%，建筑區域占據整個研究區域的12.5%。

圖4 不同類別區域所占比例Fig. 4 Distribution of categories

3.3 變化檢測結果

研究中利用圖像差值法來生成差異圖像。分類后的圖像包括3個通道：R通道、G通道和B通道，分別對應于紅色、綠色和藍色通道。對于單個像素點，分別有3個灰度值來表示這3個通道。R通道表示該像素點屬于建筑類別的概率，G通道表示該像素點屬于農田類別的概率。對地震前后SAR圖像各像素點的各通道灰度值作差，可以得到受損區域的情況。如果某像素點滿足下面的兩個條件，則該像素點表示損毀的建筑區域。(1)該像素點在震前SAR圖像中屬于建筑類別，這表明在震前SAR圖像中，R通道灰度值與G通道灰度值之差大于某一閾值。(2)震前圖像R通道灰度值與震后圖像R通道灰度值之差大于某一閾值。可以用同樣的方法得到損毀的農田區域。上述過程中，需要選取兩個閾值，實驗結果表明，在一定的范圍內，閾值的選取對變化檢測結果影響較小。建筑損毀情況和農田損毀情況如圖5(a)所示，其中損毀的建筑區域為紅色區域，損毀的農田區域為綠色區域。該結果與參考文獻[22—24]的研究結果基本一致。圖5(b)給出了德國衛星災害信息中心(the Center for Satellite Based Crisis Information, ZKI)[22]的變化檢測結果。圖5(c)給出了圖5(a)和圖5(b)中黃色矩形框區域內的細節對比。從圖中可以看出，文中得到的變化檢測結果與ZKI的變化檢測結果在細節和輪廓上都較為一致。

為了驗證所提出的變化檢測方法的有效性，將基于CNN變化檢測方法的檢測結果與其他方法的檢測結果進行了對比。圖6(d)，圖6(e)，圖6(f)中分別給出了基于Log-ratio[5]方法、主成分分析(Principle Component Analysis, PCA)[6]方法以及馬爾科夫隨機場(Markov Random Field, MRF)方法[25]的變化檢測結果。圖6(c)給出了基于文中所提方法得到的變化檢測結果。從上述結果中可以看出，各種變化檢測方法都可以檢測出被淹沒的農田區域；然而只有基于CNN的變化檢測方法可以清晰地檢測到損毀的建筑區域。從圖6(a)，圖6(b)中可以看出，建筑區域的損毀是很明顯的，這表明文中所提出的變化檢測方法在檢測精確度方面比其他變化檢測方法更有優勢。另外，相對于其他變化檢測方法，基于CNN的變化檢測方法可以在進行變化檢測的同時獲知變化區域的類型。

圖5 變化檢測結果Fig. 5 Change detection results

文中采用手動提取的方式獲得真實的變化分布情況，以定量分析各檢測結果的統計特性。選取檢測率、虛警率、總誤差率及Kappa系數4個參數進行性能評估，其中檢測率為正確檢測出的變化像素(True Positive, TP)占總變化像素(Nc)的百分比；虛警率為誤檢像素(False Positive, FP)占像素總數(N)的百分比；總誤差率為誤檢像素(FP)與漏檢像素(False Negative, FN)之和占像素總數的百分比。Kappa系數的計算如式(1)所示，Nu表示未變化像素，TN(True Negative)表示正確檢測出的未變化像素。

其中，

表1給出了各種變化檢測方法的精度對比。從表中可以看出，基于CNN的變化檢測方法檢測率及Kappa系數較高，虛警率及總誤差率較低。結果表明基于CNN的變化檢測方法各項指標都優于其他方法。

圖6 不同方法得到的變化檢測結果Fig. 6 Change detection results with different methods

表1 幾種變化檢測方法精度對比Tab. 1 Accuracy comparison of several change detection methods

圖7 受損情況分析Fig. 7 Analysis results of damaged conditions

基于變化檢測結果，對建筑和農田的損毀情況進行了分析，分析結果如圖7所示。變化檢測結果表明4.6%的建筑在地震中損毀，剩余95.4%的建筑得到保存；另外，15.1%的農田在地震后被洪水淹沒，剩余84.9%的農田得到保存。農田的損毀情況比建筑更嚴重，這是由于農田區域的地勢較低，更容易被海嘯所帶來的洪水所淹沒。在特定的研究區域，基于文中變化檢測結果計算得到的損毀農田所占比例約為4.46%，而在相同的區域Dumitru等人得出的結果為4.15%[24]，兩者之間較為一致，驗證了文中變化檢測結果的準確性。

4 結論

本文提出了一種基于CNN的SAR圖像變化檢測方法。在這一方法中，利用CNN模型對SAR圖像進行分類。文中將提出的變化檢測方法應用于地震前后日本仙臺地區的SAR圖像，以分析地震對該地區的影響。地震前后的SAR圖像被分為建筑、農田、水體和山體4類，分類結果體現了CNN在SAR圖像分類應用中的高精度特性。文中給出了研究區域SAR圖像的變化檢測結果，與傳統變化檢測方法相比，基于CNN的變化檢測方法不需要人工提取目標特征；在檢測精度方面更具有優勢；并能在得到變化區域的同時獲知變化區域的類別。結果表明基于CNN的SAR圖像變化檢測方法是利用SAR圖像進行災害檢測的有力工具。另外，基于CNN的變化檢測方法還可以應用于其他遙感圖像。

[1]Cumming I G and Wong F H. Digital Processing of Synthetic Aperture Radar Data: Algorithms and Implementation[M]. Norwood, MA: Artech House, 2005.

[2]Wikipedia. 2011 Tohoku earthquake and tsunami[OL].http://en.wikipedia.org/wiki/2011_Tohoku_earthquake_and_tsunami.

[3]Chini M, Pacifici F, Emery W,et al.. Comparing statistical and neural network methods applied to very high resolution satellite images showing changes in man-made structures at rocky flats[J].IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(6): 1812—1821. DOI: 10.1109/TGRS.2008.916223.

[4]Liao P S, Chen T S, and Chung P C. A fast algorithm for multilevel thresholding[J].Journal of Information Science and Engineering, 2001, 17(5): 713—727.

[5]Bovolo F and Bruzzone L. A detail-preserving scale-driven approach to change detection in multitemporal SAR images[J].IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(12): 2963—2972. DOI: 10.1109/TGRS.2005.857987.

[6]Celik T. Unsupervised change detection in satellite images using principal component analysis and k-means clustering[J].IEEE Geoscience and Remote Sensing Letters,2009, 6(4): 772—776. DOI: 10.1109/LGRS.2009.2025059.

[7]楊祥立, 徐德偉, 黃平平, 等. 融合相干/非相干信息的高分辨率SAR圖像變化檢測[J]. 雷達學報, 2015, 4(5): 582—590.Yang Xiang-li, Xu De-wei, Huang Ping-ping,et al.. Change detection of high resolution SAR images by the fusion of coherent/incoherent information[J].Journal of Radars,2015, 4(5): 582—590. DOI: 10.12000/JR15073.

[8]Wu Ke, Zhong Yan-fei, Wang Xian-min,et al.. A novel approach to subpixel land-cover change detection based on a supervised back-propagation neural network for remotely sensed images with different resolutions[J].IEEE Geoscience and Remote Sensing Letters, 2017, 14(10):1750—1754. DOI: 10.1109/LGRS.2017.2733558.

[9]Feng Wen-qing, Sui Hai-gang, and Tu Ji-hui. Objectoriented change detection for remote sensing images based on multi-scale fusion[C]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B7, 2016: 483—491. DOI: 10.5194/isprs-archives-XLI-B7-483-2016.

[10]Yu Wen-juan, Zhou Wei-qi, Qian Yu-guo,et al.. A new approach for land cover classification and change analysis:Integrating backdating and an object-based method[J].Remote Sensing of Environment, 2016, 177: 37—47. DOI:10.1016/j.rse.2016.02.030.

[11]Blaschke T. Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2—16. DOI: 10.1016/j.isprsjprs.2009.06.004.

[12]Wu Chen, Du Bo, Cui Xiao-hui,et al.. A post-classification change detection method based on iterative slow feature analysis and Bayesian soft fusion[J].Remote Sensing of Environment, 2017, 199: 241—255. DOI: 10.1016/j.rse.2017.07.009.

[13]田壯壯, 占榮輝, 胡杰民, 等. 基于卷積神經網絡的SAR圖像目標識別研究[J]. 雷達學報, 2016, 5(3): 320—325.Tian Zhuang-zhuang, Zhan Rong-hui, Hu Jie-min,et al..SAR ATR based on convolutional neural network[J].Journal of Radars, 2016, 5(3): 320—325. DOI: 10.12000/JR16037.

[14]Wei X, Huang P P, Wang R,et al.. Processing of multichannel sliding spotlight and TOPS synthetic aperture radar data[J].IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(8): 4417—4429. DOI: 10.1109/TGRS.2013.2265306.

[15]Simonyan K and Zisserman A. Very deep convolutional networks for large-scale image recognition[R]. International Conference on Learning Representations (ICLR), San Diego,CA, America, May, 2015.

[16]杜康寧, 鄧云凱, 王宇, 等. 基于多層神經網絡的中分辨SAR圖像時間序列建筑區域提取[J]. 雷達學報, 2016, 5(4): 410—418.Du Kangning, Deng Yunkai, Wang Yu,et al.. Medium resolution SAR image time-series built-up area extraction based on multilayer neural network[J].Journal of Radars,2016, 5(4): 410—418. DOI: 10.12000/JR16060.

[17]Sezgin, M and Sankur B. Survey over image thresholding techniques and quantitative performance evaluation[J].Journal of Electronic Imaging, 2004, 13(1): 146—165. DOI:10.1117/1.1631315.

[18]Glorot X, Bordes A, and Bengio Y. Deep sparse rectifier neural networks[C]. 14th International Conference on Artificial Intelligence and Statistics, Fort Lauderdale, USA,2011: 315—323.

[19]Ioffe S and Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[C]. 32nd International Conference on Machine Learning, Lille, France, 2015: 448—456.

[20]Kingma D P and Ba J. Adam: A method for stochastic optimization[C]. 3rd International Conference for Learning Representations, San Diego, arXiv: 1412.6980, 2015.

[21]Goodfellow I, Bengio Y, and Courville A. Deep Learning[OL]. 2016. http://www.deeplearningbook.org/.

[22]?ZKI/DLR. 2011. Earthquake and Tsunami in Japan[OL].http://www.zki.dlr.de/article/1893.

[23]Okajima Y, Yoshikawa K, and Shibayama T. Recent experiences utilizing TerraSAR-X for the monitoring of natural disasters in different parts of the world[C]. 2011 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Vancouver, BC, Canada, July, 2011:4296—4299. DOI: 10.1109/IGARSS.2011.6050181.

[24]Dumitru C O, Cui S Y, Faur D,et al.. Data analytics for rapid mapping: Case study of a flooding event in Germany and the tsunami in Japan using very high resolution SAR images[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(1): 114—129.DOI: 10.1109/JSTARS.2014.2320777.

[25]Bruzzone L and Prieto D F. Automatic analysis of the difference image for unsupervised change detection[J].IEEE Transactions on Geoscience and Remote Sensing, 2000,38(3): 1171—1182. DOI: 10.1109/36.843009.

徐 真(1990—)，女，山東人，博士研究生，研究方向為合成孔徑雷達圖像處理技術。

E-mail: xuzhen0518@163.com

王 宇(1980—)，男，河南人，現為中國科學院電子學研究所研究員，博士生導師，研究方向為SAR系統設計與信號處理技術。

E-mail: yuwang@mail.ie.ac.cn

李 寧(1987—)，男，安徽人，畢業于中國科學院電子學研究所，獲得博士學位，現為中國科學院電子學研究所助理研究員，研究方向為多模式合成孔徑雷達成像及其應用技術。

E-mail: lining_nuaa@163.com

張 衡(1990—)，男，山東人，博士研究生，研究方向為雙基合成孔徑雷達成像技術。

E-mail: caszhmail@163.com

張 磊(1985—)，男，吉林人，畢業于中國科學院電子學研究所，獲博士學位，現為中國科學院電子學研究所助理研究員，研究方向為高分辨率合成孔徑雷達成像技術。

E-mail: 314forever@163.com

s: National Key Ramp;D Program of China (2017YFB0502700), National Defense Innovation Surface Program of Chinese Academy of Sciences

A Novel Approach to Change Detection in SAR Images with CNN Classification

Xu Zhen①②Wang Robert①Li Ning①Zhang Heng①②Zhang Lei①
①(Institute of Electronics,Chinese Academy of Sciences,Beijing100190,China)
②(University of Chinese Academy of Sciences,Beijing100049,China)

This paper presents a novel Synthetic Aperture Radar (SAR)-image-change-detection method, which integrates effective-image preprocessing and Convolutional Neural Network (CNN) classification. To validate the efficiency of the proposed method, two SAR images of the same devastated region obtained by TerraSAR-X before and after the 2011 Tohoku earthquake are investigated. During image preprocessing, the image backgrounds such as mountains and water bodies are extracted and removed using Digital Elevation Model(DEM) model and Otsu’s thresholding method. A CNN is employed to automatically extract hierarchical feature representation from the data. The SAR image is then classified with the theoretically obtained features.The classification accuracies of the training and testing datasets are 98.25% and 97.86%, respectively. The changed areas between two SAR images are detected using image difference method. The accuracy and efficiency of the proposed method are validated. In addition, with other traditional methods as comparison, this paper presents change-detection results using the proposed method. Results show that the proposed method has higher accuracy in comparison with traditional change-detection methods.

Synthetic Aperture Radar (SAR) image; Change detection; Convolutional Neural Networks (CNN)

TP753

A

2095-283X(2017)05-0483-09

10.12000/JR17075

徐真, 王宇, 李寧, 等. 一種基于CNN的SAR圖像變化檢測方法[J]. 雷達學報, 2017, 6(5): 483—491. DOI:10.12000/JR17075.

Reference format:Xu Zhen, Wang Robert, Li Ning,et al.. A novel approach to change detection in SAR images with CNN classification[J].Journal of Radars, 2017, 6(5): 483—491. DOI: 10.12000/JR17075.

2017-08-14；改回日期：2017-10-18；網絡出版：2017-10-24

*通信作者： 李寧 lining_nuaa@163.com

國家重點研發計劃(2017YFB0502700)，中科院國防科技創新基金面上項目