论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR),具有高分辨、全天候、全天时的工作特点,在国土监测、军事领域等多个应用领域中起到很重要的作用。SAR图像变化检测是SAR图像处理中重要的研究方向,广泛应用于自然灾害、城市规划等领域。目前,针对SAR图像变化检测问题的研究很多。本文基于3D卷积神经网络对SAR图像变化检测方法进行研究,提出了两种改进算法。同时为了提升传统算法的运行速度,完成了传统SAR图像变化检测算法的FPGA并行实现。本文工作如下:1.提出一种基于空间和多信息图的3D残差卷积神经网络(Spatial and Multiinformation 3D Residual Networks,SMIRN)的SAR图像变化检测方法。针对单一差异图难以完全表达差异信息的问题,将生成的多种差异图和原图堆叠,构造为多维信息图,采用3D卷积神经网络对信息图提取特征。同时在网络中引入残差模块,防止梯度消失,提升检测准确率。通过多差异图的二次集成聚类得到图像预分类结果,进而选择较为可靠的样本作为网络训练样本,最终实现SAR图像变化检测。相比于传统的变化检测方法和直接使用3D卷积网络方法,SMIRN的变化检测性能明显提升。2.针对多尺度样本训练问题,在SMIRN基础上,提出一种基于多尺度空间和多信息图的3D残差卷积神经网络(Multiscale Spatial and Multi-information 3D Residual Networks,MSMIRN)的SAR图像变化检测方法。该方法去掉了网络最后的平均池化层,在SMIRN网络的多信息图残差模块和空间残差模块后分别加入了一个空间金字塔池化层,并在空间残差模块中添加SEnet子网络。MSMIRN方法可以直接利用多尺度样本进行训练,提取多尺度样本的特征,并对特征图重要性进行重新标定。相比于SMIRN,MSMIRN方法的检测准确率有所提高。3.提出了一种基于OpenCL并行加速的SAR图像变化检测方法,该方法采用了多差异图融合策略,对融合差异图聚类分析实现SAR图像的变化检测。针对算法并行优化问题,将算法中生成差异图、均值滤波、中值滤波、差异图融合、Kmeans聚类模块在FPGA上实现,并且通过内核向量化等优化方法将算法进一步加速优化。在保证算法准确率的前提下,实现了算法的加速运行。