[发明专利]基于邻域比值和自步学习的SAR图像变化区域检测方法

摘要

本发明公开了的一种基于邻域比值和自步学习的合成孔径雷达SAR图像变化区域检测方法，主要解决现有技术对合成孔径雷达SAR图像的斑点噪声敏感，易造成合成孔径雷达SAR图像的部分纹理信息丢失的问题。本发明的具体步骤如下：(1)读入合成孔径雷达SAR图像；(2)归一化；(3)计算邻域比值差异值；(4)构建差异值矩阵；(5)选择训练样本集；(6)训练深度信念网络；(7)构建概率矩阵；(8)更新概率矩阵；(9)获得变化检测图像。本发明有效利用原始图像的局部信息和深度信念网络的自学习能力减少了斑点噪声，保留了图像局部信息，提高了变化检测的精度。

主权项

1.一种基于邻域比值和自步学习的合成孔径雷达SAR图像变化区域检测方法，其特征在于，包括如下步骤：(1)读入合成孔径雷达SAR图像：读入同一地区不同时相的两幅已配准且校正的合成孔径雷达SAR图像I₁和I₂；(2)归一化：使用归一化公式，对合成孔径雷达SAR图像I₁和I₂分别进行归一化处理，得到归一化后的合成孔径雷达SAR图像I₁'和I₂'；(3)计算邻域比值差异值：(3a)使用灰度值差异性公式，计算归一化后的合成孔径雷达SAR图像I₁'和I₂'每一个像素点的灰度值的差异性参数；(3b)使用邻域比值差异值公式，计算归一化后的合成孔径雷达SAR图像I₁'和I₂'的每一个邻域比值差异值；(4)构建差异值矩阵：将归一化后的合成孔径雷达SAR图像I₁'和I₂'所有像素点的邻域比值差异值，组成一个差异值矩阵；(5)选择训练样本集：(5a)从差异值矩阵中随机选取一个元素，将所选元素与其周围3×3邻域的9个元素组成一个训练样本；(5b)除差异值矩阵中所选随机元素外，从差异值矩阵中分别随机选取元素总数的15％，30％，45％，60％，75％的元素，组成5个训练样本集；(6)训练深度信念网络：将5个训练样本集的不同样本，依次输入到深度信念网络中，训练深度信念网络；(7)构建概率矩阵：将差异值矩阵的每一个元素及其周围3×3邻域元素，依次输入到训练好的深度信念网络中，得到每一个元素的变化概率，将变化概率保存到概率矩阵中；(8)更新概率矩阵：(8a)判断概率矩阵中的每一个元素是否大于等于0.5，若是，则执行步骤(8b)，否则，执行步骤(8c)；(8b)将元素的值更新为255后执行步骤(9)；(8c)将元素的值更新为0后执行步骤(9)；(9)获得变化检测图像：将更新后的概率矩阵中所有元素值作为像素灰度值，将像素灰度值转化为变化检测图像。