[发明专利]基于Gabor卷积网络的SAR图像变化检测方法

权利要求书

1.一种基于Gabor卷积网络的SAR图像变化检测方法，包括以下步骤：

步骤1：对同一地理位置的两幅多时相SAR图像使用对数比率进行差异性分析，获取多时相SAR图像的差分图像；

所述的差异性分析的计算过程为：

I_DI＝|logI₁-logI₂|

其中，I₁和I₂分别表示两幅多时相SAR图像，I_DI表示两幅多时相SAR图像的差分图像，|·|为绝对值操作，log表示以10为底的对数操作；

步骤2：对差分图像I_DI进行预分类，构建训练数据集和测试数据集；

步骤2.1：对差分图像使用多层模糊C均值聚类算法进行预分类，获得伪标签矩阵；

步骤2.2：提取伪标签矩阵中标记为0和1的空间位置，以步骤1得到的差分图像中，标记为0和1的空间位置对应的像素点周围取L×L的邻域像素作为训练数据集，L取值为不小于3的奇数，得到的训练数据集中样本的数量记为T₁；

步骤2.3：提取伪标签矩阵中标记为0.5的空间位置，以步骤1得到的差分图像中，标记为0.5的空间位置对应的像素点周围取L×L的邻域像素作为测试数据集，L取值为不小于3的奇数，得到的测试数据集中样本的数量记为T₂；

其特征在于还包括以下步骤：

步骤3：将步骤2.2的训练数据集用于Gabor卷积网络训练，

所构建的Gabor卷积网络的结构为：输入层→数据增强层→小尺度的Gabor卷积层→中尺度的Gabor卷积层→大尺度的Gabor卷积层→输出层：

步骤3.1：Gabor方向滤波器的生成；

Gabor方向滤波器由Gabor滤波器调制学习滤波器得到，Gabor滤波器用G(u,v)表示，其中u表示滤波的方向，v表示滤波的尺度；

在给定的尺度v下，一个Gabor滤波器由u个不同方向的Gabor方向算子构成，可以表示为：

G(u,v)＝{g₁,g₂,...,g_u}

其中，g₁,...,g_u表示Gabor方向算子、大小均为W×W，W取值为不小于3的奇数；

学习滤波器为卷积神经网络中的三维卷积核，用C来表示，C的大小为M×M×N，其中M×M表示卷积核的高和宽，M取值为不小于3的奇数，N表示通道数，N取值为自然数，因此，上述三维卷积核可以表示为：

C＝{c₁,c₂,...,c_N}

其中，c₁,...,c_N表示每一个通道上的卷积核、大小均为M×M；

Gabor方向滤波器由Gabor滤波器中的每一个Gabor方向算子对学习滤波器进行逐通道调制得到，计算过程如下：

GoF(u,v)＝{g₁ oC,g₂ oC,...,g_u oC}

其中，GoF(u,v)表示Gabor方向滤波器，o表示逐通道调制，每一个通道上的计算过程如下：

其中，s＝1,2...,u，表示逐像素相乘；

经过以上运算，得到u个大小为M×M×N的Gabor方向滤波器；

步骤3.2：数据增强；

将步骤2.2得到的训练数据集中的T₁个训练样本作为输入层的输入数据，依次输入到输入层，通过数据增强层的复制操作，使每个训练样本均变成N个L×L的图片，记为F_i，i＝1,2,3,...,T₁，作为下一层的输入；

步骤3.3：通过三个尺度的Gabor卷积层获得增强的特征图：

步骤3.3.1：通过小尺度的Gabor卷积层提取特征；

小尺度的Gabor卷积层中包括H₁个Gabor方向滤波器GoF(u,v₁)，卷积核的大小为M×M×N；依次对F_i进行卷积操作，输出的特征图为：

其中，H₁、v₁均为任意自然数，G_conv(g)表示卷积操作，G¹表示前述的尺度为v₁的Gabor方向滤波器GoF(u,v₁)，F_i是步骤3.2得到的图片；然后，对Gabor卷积操作后得到的特征图进行归一化和最大值池化处理，i＝1,2,3,...,T₁；最后，使用ReLu函数激活，得到的特征图记为

步骤3.3.2：通过中尺度的Gabor卷积层提取特征；

中尺度的Gabor卷积层中包括H₂个Gabor方向滤波器GoF(u,v₂)，卷积核的大小为M×M×N；依次对进行卷积操作，输出的特征图为：

其中，H₂为大于H₁的自然数，v₂为大于v₁的自然数，G_conv(g)表示卷积操作，G²表示前述的尺度为v₂的Gabor方向滤波器GoF(u,v₂)，是步骤3.3.1中得到的特征图；然后，对Gabor卷积操作后得到的特征图进行归一化和最大值池化处理，i＝1,2,3,...,T₁；最后，使用ReLu函数激活，得到的特征图记为

步骤3.3.3：通过大尺度的Gabor卷积层提取特征；

大尺度的Gabor卷积层中包括H₃个Gabor方向滤波器GoF(u,v₃)，卷积核的大小为M×M×N；依次对进行卷积操作，输出的特征图为：

其中，H₃为大于H₂的自然数，v₃为大于v₂的自然数，G_conv(g)表示卷积操作，G³表示前述的尺度为v₃的Gabor方向滤波器GoF(u,v₃)，是步骤3.3.2中得到的特征图；然后，对Gabor卷积操作后得到的增强的特征图进行归一化处理，i＝1,2,3,...,T₁；最后，使用ReLu函数激活，得到最终的特征图

步骤3.4：将提取出的特征图输入到输出层，以表示输出层输出的第i个训练样本的预测标签，i＝1,2,3,...,T₁；

步骤3.5：计算交叉熵损失，进行反向传播；

Loss表示交叉熵损失，Loss由下式计算得到：

其中，y_i为步骤2.2中训练数据集中第i个样本的真实标签，y_i＝1表示输入样本的标签是1，即该位置像素是变化的，y_i＝0表示输入样本的标签是0，即该位置像素是不变的；表示步骤3.4中输出层输出的第i个训练样本的预测标签，log表示以10为底的对数运算；

步骤4：将步骤2.3中的测试数据集输入到经步骤3操作之后Gabor卷积网络，按照步骤3所述过程获得关于测试数据集的T₂个预测标签；

步骤5结合步骤2.2中训练数据集和步骤4得到的预测标签，获得步骤1所述地理位置的变化结果图。

2.如权利要求1所述的基于Gabor卷积网络的SAR图像变化检测方法，其特征在于步骤2.2、步骤2.3、步骤3.2中L×L＝7×7；

步骤3中，N＝4，u＝4，M×M×N＝3×3×4，v₁＝1，v₂＝2，v₃＝3；H₁＝20，H₂＝40，H₃＝80。