[發明專利]聚類引導深度神經網絡分類的多源圖像變化檢測方法

有效

• 申請號: 201610045439.5
• 申請日: 2016-01-22
• 公開（公告）號: CN105741267B
• 公開（公告）日: 2018-11-20
• 發明（設計）人: 馬文萍;李志舟;焦李成;馬晶晶;張普照;趙暐
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 程曉霞;王品華

1.一種聚類引導深度神經網絡分類的多源圖像變化檢測方法，待處理的圖像，是兩個已配準的同一區域、不同時間、由不同傳感器獲取的多源圖像，包括光學圖像和TM圖像，其特征在于，包括有如下步驟：

(1)輸入待檢測光學圖像：輸入多源圖像中待檢測光學圖像的灰度矩陣；

(2)分割光學圖像：采用模糊C均值聚類方法對其中待檢測光學圖像的灰度矩陣進行模糊聚類，得到光學圖像聚類分割后的灰度矩陣；

(3)對聚類分割后的光學圖像做標記：對聚類分割后圖像的類別進行分類并標記，以標簽Ω作為標記，Ω＝{Ω¹，Ω²，…}，Ω¹，Ω²分別表示分類后的類別標簽；

(4)對兩圖像進行采樣：對光學圖像和TM圖像數據進行大小為n×n的塊采樣，采樣出每個像素點對應的n²個像素點的值，對該值歸一化處理，處理后得到的n²個數據，作為該像素點的采樣樣本，遍歷整幅圖像，直至采樣完成兩幅圖中所有的像素點；

(5)在TM圖像中選取訓練樣本：

(5a)選取候選訓練樣本區域，將分類后的光學圖像中對應于變化檢測參考圖上未變化的區域作為候選訓練樣本區域，訓練樣本將在該候選訓練樣本區域內選取；

(5b)選取訓練樣本規則：在分類后的光學圖像中，以像素點k為例，將像素點k的位置作為中心，取m×m的方形窗口，該方形窗口包含m²個像素點，判斷該窗口除像素點k外的m²-1個像素點是否為同一類像素點，若為同一類像素點，則以光學圖像中像素點k的位置為準，找出該點在TM圖像灰度矩陣對應位置處的像素點k′，像素點k′的采樣樣本作為候選訓練樣本，分類后的光學圖像中像素點k的值作為該候選訓練樣本的標簽；若該窗口除像素點k外m²-1個像素點有兩類或者多類像素點，則舍棄該像素點，以此過程遍歷全圖，直到判斷完所有候選訓練樣本區域的像素點；

(5c)在已得到的不同標簽的候選訓練樣本中，以標簽數量最少的那類候選訓練樣本的數量L作為選取數量，在所有不同標簽的候選訓練樣本中截取已選擇的前L個候選訓練樣本作為最終的訓練樣本，完成對訓練樣本的選取；

(6)訓練棧式自動編碼器：建立一個由兩層稀疏自動編碼器組成的棧式自動編碼器模型，將選取的訓練樣本輸入到該模型中訓練棧式自動編碼器，得到訓練完成的棧式自動編碼器；

(7)微調棧式自動編碼器：

將已經訓練完成的棧式自動編碼器的第二層稀疏自動編碼器的隱藏層節點的激活值作為softmax分類器的輸入，將訓練樣本對應的標簽作為softmax分類器的輸出，通過反向傳導方法同時調整網絡所有層的參數，完成對網絡的訓練；

(8)分類TM圖像：將采樣后的TM圖像的采樣樣本輸入到微調后的棧式自動編碼器中，編碼器的輸出為分類好的TM圖像；

(9)生成差異圖：用對數比值法對分類后的光學圖像和TM圖像的灰度矩陣作差異圖，得到光學圖像和TM圖像的變化檢測結果。

2.根據權利要求1所述的聚類引導深度神經網絡分類的多源圖像變化檢測方法，其特征在于，步驟(6)中所述的訓練棧式自動編碼器的過程包括：

(6a)棧式自動編碼器模型由兩層稀疏自動編碼器組成，第一層稀疏自動編碼器的隱藏層節點的激活值作為第二層稀疏自動編碼器的輸入；

(6b)將第一層稀疏自動編碼器的輸入層設定為n²個節點，隱藏層設定為(n+4)²個節點，第二層稀疏自動編碼器的輸入層與第一層稀疏自動編碼器的隱藏層節點數相同，設定為(n+4)²個節點，第二層稀疏自動編碼器的隱藏層設定為10個節點；

(6c)用區間[0，1]上的隨機數初始化棧式自動編碼器上的權值；

(6d)將選取的訓練樣本輸入到棧式自動編碼器中的第一層稀疏自動編碼器，利用反向傳導方法，計算第一層稀疏自動編碼器的隱藏層與輸出層的權值與偏置，完成第一層稀疏自動編碼器的訓練；

(6e)將第一層稀疏自動編碼器的隱藏層節點的激活值作為第二層稀疏自動編碼器的輸入，利用反向傳導方法，計算第二層稀疏自動編碼器的隱藏層與輸出層的權值與偏置，完成對棧式自動編碼器的訓練。