[发明专利]基于DAP和ARELM的在轨SAR图像变化检测方法

权利要求书

1.一种基于DAP和ARELM的在轨SAR图像变化检测方法，直接在卫星上对配准后的SAR图像进行变化检测，其特征是：包括有以下步骤：

步骤1：针对两幅配准后的同一地区不同时相的SAR图像对X₁和X₂，逐一地在图像对每个对应的像素点上作对数比值法计算，获得SAR图像对的对数差分图DI；

步骤2：设置超像素的分割块数和紧致度，对获得的归一化的对数差分图进行SLIC超像素分割，将对数差分图DI分割成若干超像素,用超像素代替对数差分图中的所有像素，获得整体分割成超像素的对数差分图；

步骤3：求取整体分割成超像素的对数差分图中所有超像素的均值和质心，运用添加了样本间距离相似度的DAP聚类算法，根据超像素的均值和质心对所有超像素进行相似度划分，获得若干类超像素集合；包括有如下步骤：

步骤3.1：针对每个不规则外形的超像素，分别计算其均值和质心；

步骤3.2：计算相似度矩阵：在整体分割成超像素的对数差分图中，利用每个超像素的均值，求解计算超像素间的灰度相似度s_gray(i,j)，以及计算超像素间的距离相似度s_distance(i,j)，最终按照如下公式获得超像素间的相似度s(i,j)，i,j分别表示第i个和第j个超像素的编号:

s(i,j)＝s_gray(i,j)+μ×s_distance(i,j)

其中μ是距离相似度的权重，具体取值范围为10^-1～10^-2之间，s_gray(i,j)＝-||p_i-p_j||²，p_i和p_j分别表示第i个超像素的灰度均值和第j个超像素的灰度均值；灰度相差越小，计算得到的灰度相似度值越大，越接近于0；灰度相差越大，计算得到的值越小；i_x和j_x分别表示第i个超像素的质心和第j个超像素的质心在X轴上的坐标，i_y和j_y分别表示第i个超像素的质心和第j个超像素的质心在Y轴上的坐标；以所有超像素的编号作为相似度矩阵S的横坐标和纵坐标，用超像素彼此间的相似度s(i,j)构成相似度矩阵S；

步骤3.3：进行添加了样本间距离相似度的DAP聚类算法的计算，首先初始化归属度矩阵A中每个元素a(i,j)为0，迭代更新吸引度矩阵R和归属度矩阵A直至两个矩阵在若干代内不再发生变化：

R:

A:

最终获得若干类经DAP算法聚类得到的超像素集合；

步骤3.4：结束运用添加了样本间距离相似度的DAP聚类算法进行相似度划分；

步骤4：设置区域分类的类别数为3，运用K-means算法对获得的若干类超像素集合再进行区域分类，分类后的三个区域中均值最高的集合为严格变化区域，将均值最低的集合为严格未变化区域，剩余的一类区域为未知类别区域；

步骤5：获得的三类区域集合中样本数过多，从三个区域中均按序选择其中的1/100的像素作为区域训练样本，以每个区域训练样本为中心，提取所有区域训练样本的n×n邻域特征；初始化基于图正则的极速学习机ARELM中所有网络节点的权重和偏置，将三类区域训练样本的邻域特征分别送入到ARELM中进行训练，获得训练好网络参数的ARELM；包括如下步骤：

步骤5.1：从三个区域中均按序选择其中的1/100的像素作为区域训练样本；以每个区域训练样本为中心，提取所有区域训练样本的n×n邻域特征，并将特征拉成列向量，将其作为ARELM的训练数据；

步骤5.2：引入基于图正则的极速学习机ARELM，设置ARELM的单隐层节点数，设置输入层的权重和隐藏层的偏置为均匀分布的随机数；

步骤5.3：将训练数据送入到ARELM中进行训练；设置ARELM的目标函数为：

其中β表示隐藏节点到输出节点的权重向量，H_l为有标记样本的隐藏层输出矩阵，H_u为无标记样本的隐藏层输出矩阵，T为有标记样本的类标矩阵；

步骤5.4：当网络的输出结果与类标的差别最小化时训练停止，获得训练好网络参数的的ARELM；

步骤5.5：结束ARELM的训练；

步骤6：将待检测的对数差分图中所有像素视为测试样本，以每个测试样本为中心，提取所有测试样本的n×n邻域特征，送入到训练好的ARELM中进行分类判决，最终自动获得待检测图像的变化检测结果图。