[发明专利]基于深度胶囊网络的SAR图像变化检测方法

摘要

本发明公开了一种基于深度胶囊网络结构的SAR图像变化检测方法，主要解决现有技术无法从图像中提取到更多有用特征信息及获取的训练样本中包含的有效图像信息不足的问题。其实现步骤是：获取两张SAR实验图像；根据实验图像的像素信息，获取像素间的相似度阈值和像素的差异值；用KI阈值法对实验图进行预分类，得到图像的标签；根据相似度阈值、像素的差异值及图像的标签，得到训练标签和训练样本并胶囊网络进行训练；再对的训练好网络进行层次加深；将实验图输入到深度胶囊网络中，得到变化检测结果图。本发明能从训练样本中得到更多有用的特征信息，提高了变化检测精度，可用于环境监测、农业调查和救灾工作的SAR图像变化检测中。

主权项

1.一种基于深度胶囊网络的SAR图像变化检测方法,其特征在于，包括如下：(1)获取同一地区不同时相的两幅已配准SAR实验图像I1和I2，并用I1(i,j)表示图I1中在位置(i,j)处的像素灰度值，用I2(i,j)表示图I2中在位置(i,j)处的像素灰度值；(2)根据SAR实验图获取胶囊网络训练的标签：(2a)计算SAR实验图的像素间相似度S(i,j)：(2b)用Otsu阈值法对获得的相似度进行分割，得到像素间相似度阈值T；(2c)计算实验图像素的差异值δ：δ1(i,j)＝w1(i,j)×(I1(i,j)‑G(i,j))²δ2(i,j)＝w2(i,j)×(I2(i,j)‑G(i,j))²其中w(i,j)表示像素灰度值的权值，G(i,j)表示加权灰度值，δ1(i,j)表示图像I1在位置(i,j)处的像素差异值，δ2(i,j)表示图像I2在位置(i,j)处的像素差异值；(2d)根据相似度阈值T和像素差异值δ获取胶囊网络训练标签label：(2d1)用KI阈值法分别对这两张实验图进行聚类，得到两张二分类后的图像J1和J2；(2d2)将第一张实验图在位置(i,j)处的像素差异值δ1(i,j)与第二张实验图I2在位置(i,j)处的像素差异值δ2(i,j)进行比较，获取两张实验图在位置(i,j)处的标签：如果δ1(i,j)≤δ2(i,j)，则第一张实验图I1的标签label1(i,j)＝J1(i,j)，再将该位置处像素的相似度S(i,j)与相似度阈值T进行比较：若S(i,j)＜T，则第二张实验图I2的标签label2(i,j)＝label1(i,j)；否则，第二张实验图I2的标签label2(i,j)＝1‑label1(i,j)；如果δ1(i,j)＞δ2(i,j)，则第二张实验图I2的标签label2(i,j)＝J2(i,j)，再将该位置处像素的相似度S(i,j)与相似度阈值T进行比较：若S(i,j)＜T，则第一张实验图I1的标签label1(i,j)＝label2(i,j)；否则，第一张实验图I1的标签label1(i,j)＝1‑label2(i,j)；(2d3)根据两张实验图的标签获取训练标签：如果label1(i,j)＝label2(i,j)，则训练标签label(i,j)＝0；否则，此时训练标签label(i,j)＝1；(3)根据获取的标签挑选胶囊网络的训练样本以及进行胶囊网络训练：(3a)挑选胶囊网络的训练样本：根据在第一张实验图I1中获得的标签label1(i,j)和第二张实验图I2中获得的标签label2(i,j)，分别在这两张实验图中得到位置(i,j)在7×7大小邻域内与(i,j)处标签相同的个数，计算标签相同个数占该邻域内标签总数的比例，并将比例大于0.5的7×7大小邻域选为训练样本；(3b)网络训练：将这两个实验图中挑选的7×7大小训练样本连接组成7×14大小的图像，输入到网络中，并用训练样本中心位置(i,j)处的label(i,j)的标签进行训练，得到训练好的三层胶囊网络结构，即第一层和第二层都是卷积层，第三层是动态路由层；(4)对训练好的胶囊网络进行层次加深：从训练好的胶囊网络中的第三层得到m×n多维向量，将其转换为一维向量；再将该一维向量转换为k张a×a大小的图像，并输入到训练好的胶囊网络第二层，形成胶囊网络中新的网络层，在训练好的三层胶囊网络结构中增加3层新的网络层，形成一个六层的深度胶囊网络结构，其中，m＝10，n＝36，k＝10，a＝6；(5)将两张实验图输入到深度胶囊网络结构中，得到变化检测结果图。