[发明专利]基于深度共享表示的SAR图像变化检测方法

摘要

本发明提供了一种基于深度共享表示的SAR图像变化检测方法，解决了传统检测方法对于数据的融合大都采用直接拼接成大的数据链，增大计算量，而且不能抓住数据信息的空间特征，无法准确分类分线性分布的像素点等问题。实现步骤有：构建两个时相图像的差异图；生成训练样本和样本标签；构建深度感知器；生成映射矩阵；更新网络；生成标签向量；获得SAR图像变化检测结果。本发明将两个时相和差异图同时进行学习，并行处理，可以融合两个时相和差异图的信息，也避免了增加计算量，同时提高了鲁棒性和精度。用于SAR图像变化检测。

主权项

1.一种基于深度共享表示的SAR图像变化检测方法，其特征在于，利用引入深度神经网络实现图像样本的非线性转化并实现其分类，利用学习时相和差异图共享表示矩阵实现时相图和差异图之间信息的融合，该方法的步骤包括如下：(1)构建两个时相图像的差异图：(1a)输入两个同一地区、不同时相的合成孔径雷达SAR图像；(1b)利用对数比值算子公式，计算第一个时相图像中每个像素与第二个时相图像对应位置像素的对数比值，将所有像素的对数比值按时相图对应位置组成差异图；(2)生成训练样本和样本标签：(2a)对差异图进行归一化处理；(2b)分别以处理后的差异图、第一个时相图、第二个时相图、标签图像中的每个像素点为中心，按垂直方向选取每个像素点周围27×27大小的正方形的图像块；(2c)将差异图中的每个图像块按列拉成列向量作为一个样本，将差异图中所有图像块形成的样本组成差异图测试样本集；(2d)将第一个时相图中每个图像块按列拉成列向量作为一个样本，将第一时相图中所有图像块形成的样本组成第一时相图的测试样本集；(2e)将第二个时相图中每个图像块按列拉成列向量作为一个样本，将第二时相图所有图像块形成的样本组成第二时相图的测试样本集；(2f)将标签图像每个图像块按列拉成列向量作为一个标签，将第二时相图所有图像块形成的样本组成标签图像的测试样本标签；(2g)从第二个时相图的测试样本集中选取30％的样本组成第一时相训练样本集；(2h)从第一个时相图的测试样本集中选取30％的样本组成第二时相训练样本集；(2i)从差异图的测试样本集中选取30％的样本组成差异图训练样本集；(2j)从测试样本标签中选取30％的标签组成训练样本标签；(3)构建深度神经网络：(3a)搭建三个深度为五层的神经网络，每个神经网络的结构依次为，输入层→第一层隐藏层→第二层隐藏层→第三层隐藏层→输出层；(3b)设置神经网络的参数；(4)生成映射矩阵：将第一时相训练样本集、第二时相训练样本集、差异图训练样本集分别输入到第一神经网络、第二神经网络、第三神经网络中，分别输出第一时相、第二时相、差异图的映射矩阵，每个矩阵的行均为30，列均与训练样本的总数相等；(5)更新网络：(5a)利用相关映射矩阵方法，生成合相关映射矩阵和经验协方差矩阵；(5b)对合相关映射矩阵进行奇异值分解，得到合相关映射矩阵的特征值和对应特征值的特征向量，将其特征值由大到小排列，提取前30个特征值对应的特征向量组成共享矩阵；(5c)对经验协方差矩阵、映射矩阵和共享矩阵进行链式乘处理，得到三个投影矩阵；(5d)计算第一时相，第二时相、差异图的损失函数梯度值；(5e)利用反向传播算法分别对三个神经网络进行迭代更新，直到三个神经网络的损失函数之和收敛，得到训练好的三个神经网络；(6)生成标签向量：(6a)将第一时相训练样本集、第二时相训练样本集、差异图训练样本集分别输入到第一神经网络、第二神经网络、第三神经网络中，分别输出三个训练样本映射矩阵，将三个训练样本映射矩阵按行拼接，得到一个合训练样本矩阵；(6b)将第一时相测试样本集、第二时相测试样本集、差异图测试样本集分别输入到第一神经网络、第二神经网络、第三神经网络中，分别输出三个测试样本映射矩阵，将三个测试样本映射矩阵按行拼接，得到一个合测试样本矩阵；(6c)输入合训练样本和训练样本标签，训练支持向量机，利用训练好的支持向量机对合测试样本矩阵进行分类，生成标签向量，该标签向量的每个元素为总测试样本矩阵每一行的标签；(7)获得SAR图像变化检测结果：(7a)构建一个行的总数等于第一时相图的宽，列的总数等于第一时相图的高的标签矩阵；(7b)从标签向量中依次选取与标签矩阵列的总数相等的元素，填入到标签矩阵的列中；(7c)将标签矩阵中的每个元素乘以255后按图像形式输出，得到输入时相图所在地区是否发生变化的SAR图像变化的检测结果。