[发明专利]基于SAE和显著性检测的高分辨SAR图像变化检测方法

权利要求书

1.一种基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于：

1)从两幅SAR图像中提取图像块分别作为第一训练数据集D1和第二训练数据集D2，第一训练数据集D1和第二训练数据集D2的图像块大小不同，两幅SAR图像为配准后的同一地区、不同时相的图像；

2)分别将第一训练数据集D1和第二训练数据集D2归一化到[0，1]之间，得到第一归一化训练数据集N1和第二归一化训练数据集N2；

3)分别构建第一三层堆栈自编码网络和第二三层堆栈自编码网络，确定两个网络每一层的特征数并随机初始化权重和偏置，将第一归一化训练数据集N1和第二归一化训练数据集N2分别送入第一三层堆栈自编码网络和第二三层堆栈自编码网络，采用逐层贪婪训练法进行训练，得到每一层的权重、偏置；将两幅图像均送入训练好的网络，得到两幅图像的特征；

构建第一三层堆栈自编码网络的步骤包括：

3-1a.设置第一层特征数3362，第二层特征数1681，第三层特征数840；

3-1b.定义自编码网络中每层的输入为input，重构结果为output，定义损失函数为：

在第一归一化训练数据集N1中选择样本送入到第一层网络中，通过最小化损失函数训练网络得到第一层特征；将得到的第一层特征作为输入数据送入到第二层网络中，同理得到第二层特征；将得到的第二层特征作为输入数据送入到第三层网络中，得到最深层特征；

3-1c.将第一归一化训练数据集N1送入步骤3-1b训练好的自编码网络中，得到图像特征；

构建第二三层堆栈自编码网络的步骤包括：

3-2a.设置第一层特征数5202，第二层特征数2601，第三层特征数1300；

3-2b.定义自编码网络中每层的输入为input，重构结果为output，定义损失函数为公式为：

在第二归一化训练数据集N2中选择样本送入到第一层网络中，通过最小化损失函数训练网络得到第一层特征；将得到的第一层特征作为输入数据送入到第二层网络中，同理得到第二层特征；将得到的第二层特征作为输入数据送入到第三层网络中，得到最深层特征；

3-2c.将第二归一化训练数据集N2送入步骤3-2b训练好的自编码网络，得到图像特征；

4)在特征域得到两幅图像的差异性，并对差异性通过阈值法确定出阈值分割差异图，分别得到不同大小的第一显著性区域和第二显著性区域；

5)结合第一显著性区域和第二显著性区域得到最终显著性区域，并对提取到的最终显著性区域通过聚类算法得到最终变化检测结果；

步骤5)具体包括取第一显著性区域和第二显著性区域的并集作为最终显著性区域R；

5a)初始化两个聚类中心V1,V2，随机初始化隶属度矩阵；

5b)计算第i个样本到第j个聚类中心的距离：

5c)根据隶属度公式更新每个样本的隶属度：

其中，μ_j(x_i)为第i个样本对于第j类的模糊隶属度；

5d)根据各个样本的隶属度通过公式更新聚类中心：

其中v_j为第j类的聚类中心；

5e)根据公式计算各个样本与其所在类中心的误差平方和：

当聚类中心不再改变或误差平方和不再减少时，达到最优聚类结果，即得到两类；据未变化类特征差异大小将聚类结果分为变化类和未变化类，得到最终的变化检测结果。

2.根据权利要求1所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于：步骤1)通过滑窗的方式从两幅SAR图像中取41×41大小的图像块作为第一训练数据集D1，从两幅SAR图像中取51×51大小的图像块作为第二训练数据集D2。

3.根据权利要求1所述基于SAE和显著性检测的高分辨SAR图像变化检测方法，其特征在于，步骤4)将步骤3-1c得到的两幅图像特征F1、F2作差得到第一特征差异图S1：

S1＝|F1|-|F2|

在第一特征差异图S1上通过阈值法确定阈值分割差异图，得到两幅SAR图像中图像块大小为41×41的第一显著性区域。