[发明专利]一种深度学习分类后比较的SAR变化检测方法

权利要求书

1.一种深度学习分类后比较的SAR变化检测方法，其特征是包括以下步骤：

步骤1）分别对SAR图像的深度特征、纹理特征、灰度特征进行提取，并准备特征融合；

步骤2）构建MDPS-CNN网络；

步骤3）将得到的深度特征、纹理特征和灰度特征在MDPS-CNN中进行融合，融合后的结果分类比较形成差异图。

2.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤1）中深度特征提取的步骤是：从分类结果前入手，对深度特征进行处理，对于单个通道，利用MDPS-CNN网络进行训练，对输入的一张M*N尺寸大小的SAR图像进行训练，由于网络中每一层都可以输出该层的特征图，假设网络共有C层，我们选择在全连接层之前输出该SAR图像的特征图，记为其的深度特征。

3.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤1）中纹理特征提取的步骤是：融合多方向多尺度Gabor纹理特征，2维Gabor基函数通常表示为被复正弦函数调制的高斯函数。

4.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤1）中灰度特征提取的步骤是：利用邻域统计量提取图像灰度信息，计算某一像素点周围一定范围内像素邻域的灰度均值和标准差,并以此作为其灰度特征。

5.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤1）准备特征融合的步骤是：在训练设计网络的过程中，确定目标函数，其优化可以在特征融合任务中产生良好的性能，以便对后面分类做铺垫，训练的目的是找到融合函数F_w(X)；设SAR图像X，大小为h×w×c，其中，h和w为空间维数，c为通道尺寸，X = {x（i，j）|1≤i≤h，1≤j≤w}；x（i，j）是图像中位置（i，j）处的强度矢量，具有c维度，其等于输入图像的通道数量； SAR图像是一个通道，因此c是1，设X1和X2是两个待输入网络的SAR图像。

6.如权利要求1所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤2）具体的包括：

步骤2.1）构建Multi-Depth CNN网络，该网络包含寄存器层、dropout层、卷积层、最大化层和全连接层；

步骤2.2）选择双通道的Pseudo-siamese网络；

步骤2.3）MDPS-CNN网络，将原有的pseudo-siamese网络和多深度网络进行结合，在输入层上是以SAR图像和其纹理特征、灰度特征为输入；以一个通道为例，首先将SAR图像输入到MDPS-CNN网络中，经过两层卷积层和两层最大池化层时，先做个标记输出一个error此时标记为error_shallow，然后再经过一层卷积层和一层最大池化层时再做一个标记并且再输出一个error此时标记为error_deep，最后将error_shallow和error_deep进行对比，选择其中较小的error进行后面的步骤；

后面的步骤如下：用上一步得到的较小的error的层中获取SAR图像在网络中的深度特征，与此同时，将SAR图像得到的纹理特征和灰度特征与其深度特征进行融合，然后输出一个特征图后，用阈值法进行分类；

最后将两个通道得到的分类图进行比较生成差异图；

步骤2.4）MDPS-CNN网络层数选择，先将SAR图像输入到MDPS-CNN网络中，经过两层卷积层和两层最大池化层时，先做个标记输出一个error此时标记为error_shallow，然后再经过一层卷积层和一层最大池化层时再做一个标记并且再输出一个error此时标记为error_deep，最后将error_shallow和error_deep进行对比，选择其中较小的error进行后面的步骤。

7.如权利要求6所述的深度学习分类后比较的SAR变化检测方法，其特征是步骤3）具体的包括：将得到的深度特征、纹理特征和灰度特征在MDPS-CNN中进行融合，融合后的结果用阈值法进行分类得到F_w(X1)，F_w(X2)；然后将两通道得到的分类结果图做比较生成差异图（Final change map,F_w(X1,X2)）。