[发明专利]多层限制玻尔兹曼机的SAR图像正负类变化检测方法

权利要求书

1.一种基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征是：包括如下步骤：

步骤101：开始基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法；

步骤102：对两幅已配准的同一地区不同时相的SAR图像构造三类差异图；

步骤103：对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果；

步骤104：根据变化检测结果选择可能性大的非噪声点作为改进的多层限制玻尔兹曼机的训练样本，训练改进的多层限制玻尔兹曼机；

步骤105：将待检测图像输入训练好的网络中，得到最终的变化检测结果图；

步骤106：结束基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法。

2.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征在于，所述步骤102按照下式构造三类变化检测的差异图：

其中，X表示已配准的同一地区不同时刻的两幅遥感图像的差异图，log表示以10为底的对数操作，X₁和X₂分别表示已配准的同一地区不同时刻的两幅遥感图像；若X₂大于X₁，对数比图像的像素呈正值，代表了正变化；若X₂小于X₁，对数比图的像素呈负值，代表了负变化。

3.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征在于，所述步骤103，包括如下步骤：

步骤301：开始模糊C均值聚类的分类算法；

步骤302：对每个像素点用值在O～1间的隶属度来确定其属于各个类别的程度；隶属矩阵U允许有取值在[0,1]间元素；归一化处理后隶属度的和总等于1，其中,N表示差异图的像素的个数，i表示对差异图模糊聚类后的类别,j表示对差异图的像素的序号，u_ij表示差异图的第j个像素在第i类上的隶属度，初始化隶属矩阵U，使其满足约束条件；

步骤303：按照下式，计算差异图的聚类中心c_i：

其中，N表示差异图的像素的个数，c_i表示差异图的第i类的聚类中心，u_ij表示差异图的第j个像素在第i类上的隶属度，x_j表示差异图的第j个像素的特征；

步骤305：按照下式，计算差异图的隶属度：

步骤306：按照下式，计算模糊C均值方法的目标函数值：

其中,d_ij＝||c_i-x_j||表示差异图的第i个聚类中心到第j个像素的欧氏距离；判断迭代前后目标函数值的最大改变量是否小于0.00001，若是，停止迭代，否则，计算新的隶属矩阵U，并执行步骤303；

步骤306：结束模糊C均值聚类的分类算法。

4.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征在于，所述步骤104，包括如下步骤：

步骤401：开始选择多层限制玻尔兹曼机训练样本的算法；

步骤402：在得到的初始变化检测结果图上，以位置(i,j)的像素为中心像素，取的5×5窗口，像素总个数为N＝25；

步骤403：按照公式其中P_ij是要预测的像素点(i,j)，P_xy是以像素点(i,j)为中心像素的窗口内的像素点，N(x)是在满足条件x的像素个数，并令λ＝0.5；

步骤404：按照步骤403对初始变化检测结果图上每一个位置进行判断，当满足步骤403中的公式时即为非噪声点的位置，作为训练样本；

步骤405：结束选择多层限制玻尔兹曼机训练样本的算法。

5.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征在于，所述步骤105，包括如下步骤：

步骤501：开始多层改进多层限制玻尔兹曼机的训练算法；

步骤502：建立带有1层卷积层和5层RBM的深度神经网络，利用在粗糙的三类变化检测结果中选择出训练样本训练网络，通过逐层训练，最后一层RBM的输出作为整个网络的输出；

步骤503：将输出进行反向传播网络的训练，将训练预测输出的分类结果与训练样本实际分类结果的误差逐层向后传播，对改进的多层限制玻尔兹曼机各层的连接权值调优，确定整个网络的连接权值和偏置参数；

步骤504：结束多层改进多层限制玻尔兹曼机的训练算法，获得最终训练好的多层限制玻尔兹曼机。