[发明专利]基于无监督深度神经网络的SAR图像变化检测方法

摘要

本发明提出了一种基于无监督的深度网络学习的SAR图像变化检测算法，包括如下步骤：步骤101：开始基于无监督的深度神经网络SAR图像变化检测方法；步骤102：对两幅配准后的同一地区不同时相的SAR图像进行FCM联合分类获得粗糙的变化检测结果，Ω＝{Ω1，Ω2}；步骤103：根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本；步骤104：将待训练的样本点输入到设计好的深度神经网络中进行训练；步骤105：将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图；步骤106：结束基于无监督的深度神经网络SAR图像变化检测方法。本发明首先避免了差异图的构造环节，同时一定程度上改善了噪声的敏感问题，显著地提高了检测效果及检测的正确率。

主权项

一种基于无监督的深度神经网络SAR图像变化检测方法，其特征是：包括如下步骤：步骤101：开始基于无监督的深度神经网络SAR图像变化检测方法；步骤102：对两幅配准后的同一地区不同时相的SAR图像进行FCM联合分类获得粗糙的变化检测结果，Ω＝{Ω1,Ω2}；步骤103：根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本；步骤104：将待训练的样本点输入到设计好的深度神经网络中进行训练；步骤105：将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图；步骤106：结束基于无监督的深度神经网络SAR图像变化检测方法；所述的步骤102，包括如下步骤：步骤201：开始FCM联合分类算法；步骤202：计算两幅图像X1和X2对应位置(i,j)处像素的灰度值相似度Sij：Sij=|Xij1-Xij2|Xij1+Xij2]]>其中，和Sij，Sij∈[0,1]，分别表示位置(i,j)第t时相的灰度值和两时相灰度值的相似度；灰度值越接近，则相似度值越趋于0，变化信息的强度越小；否则相似度值越趋于1，变化信息强度越大；步骤203：然后采用迭代阈值法求解相似度阈值T；步骤204：根据方差最小原则选取分类参考点，并对该分类参考点做分类，灰度方差定义为：σijt=ωijt(Xijt-Eij)2]]>其中，是t时相(i,j)位置的方差，为灰度值权重，为灰度值加权平均，因此：σijt=XijtXij1+Xij2[Xijt-(Xij1)2+(Xij2)2Xij1+Xij2]2]]>将Sij代入上式可得到：σij1=Xij2Xij1Xij2Xij1+Xij2(Sij)2]]>σij2=Xij1Xij1Xij2Xij1+Xij2(Sij)2]]>所以，如果则有那么以方差最小原则选取参考点，即以为参考点，如果Sij≤T，即存在非变化或微变化信息，如果Sij＞T，即变化信息，由于和两幅图像的初始聚类中心一致，而且以为参考点，所以经过多次分类后，不管是Sij≤T还是Sij＞T，都保持在的范围内，从而保持了不同时相的不变信息具有相同的类别，变化信息具有不同的类别；步骤205：初始化聚类中心，其中，两幅图像初始聚类中心一致，首先对参考点进行分类，并以其类别作为参考，若Sij≤T，另一时相对应位置(i,j)像素的类别信息与该参考点对应的类别信息一致，否则，对另一时相对应位置的像素做单独分类；步骤206：不断重复步骤204,对图像所有像素进行分类；步骤207：直到一幅图像的分类达到收敛，停止迭代分类，获得两幅图像联合分类结果；步骤208：结束FCM联合分类算法。