[发明专利]基于局部动态能量函数FCN-CRF模型的生态变化监测方法

权利要求书

1.一种基于局部动态能量函数FCN-CRF模型的生态变化监测方法，其特征在于，所述局部动态能量函数FCN-CRF模型的生态变化监测方法利用输入的两时相SAR图像，生成均值比差异图和对数比差异图，并且进行数据扩增作为FCN网络的训练和测试数据集；采用FCN网络进行训练，获得二分类类标作为CRF模型的一阶势函数的输入；基于动态能量函数的CRF模型，实现动态求解二阶势函数的权重系数，获得最终的变化检测结果。

2.如权利要求1所述的基于局部动态能量函数FCN-CRF模型的生态变化监测方法，其特征在于，所述基于局部动态能量函数FCN-CRF模型的生态变化监测方法包括以下步骤：

第一步，输入两幅不同时间相同地区的SAR图像I₁和I₂；

第二步，对I₁和I₂两幅图像分别利用对数比算子和均值比算子，得到对数比值差异图X_l和均值比值差异图X_m，并且对两种差异图像采用非局部均值滤波方法，得到滤波后的差异图像F_l和F_m；

第三步，对未滤波的差异图像X_l和X_m以及滤波后的差异图像F_l和F_m，均采用一些常用的包括图像平移、图像旋转、图像镜像以及图像亮度变化等方法来增加图像数量，获得SAR图像变化检测的训练数据集和测试数据集；

第四步，采用全卷积网络FCN网络进行训练得到网络模型，输入滤波后的差异图像F_l和F_m进行测试，获得二分类类标图像L_f；

第五步，将滤波后的差异图像F_l和F_m以及二分类类标图像L_f作为基于局部动态能量函数的CRF模型的输入，获得最终变化检测结果；根据CRF的定义，观测场Y是一系列随机变量{Y₁,Y₂,...,Y_N}的集合，表示待处理的SAR图像，即二分类类标图像L_f，Y_i为像素点i的向量；标签场X是一系列随机变量{X₁,X₂,...,X_N}的集合，X_i为像素点i的标签，取值范围为L＝{l₁,l₂,...,l_k}，条件随机场(X|Y)通过Gibbs分布定义如下：

其中,C为团的集合，每个团c都有一个与之对应的势函数ψ_c(X_c|Y)；与x∈L^N对应的Gibbs能量为：

根据团包含不同数量的变量的不同，将势函数分为一阶势、二阶势，以及高阶势。

3.如权利要求2所述的基于局部动态能量函数FCN-CRF模型的生态变化监测方法，其特征在于，计算差异图像时采用对数比算子与均值比算子，其计算公式分别如下：

其中，μ₁，μ₂分别表示I₁和I₂的局部均值；

对两种差异图像X_l和X_m采用非局部均值滤波方法，计算过程如下：已知一幅图像v＝{v(x),x∈I}，I为图像像素域，在经过非局部均值滤波器处理之后，图像中任意像素点v(x)的灰度估计值为：

其中，权值ω(i,j)表示像素v(i)与v(j)之间的相似程度，其满足条件0≤ω(i,j)≤1且