[發明專利]一種基于堆棧半監督自適應去噪自編碼器的SAR圖像變化檢測方法

有效

• 申請號: 201710437638.5
• 申請日: 2017-06-12
• 公開（公告）號: CN107392940B
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 王桂婷;尉樺;劉辰;鐘樺;鄧成;李隱峰;于昕;伍振軍
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/254
• 分類號: G06T7/254;G06K9/62
• 代理公司: 西安吉盛專利代理有限責任公司 61108
• 代理人: 張恒陽

1.一種基于堆棧半監督自適應去噪自編碼器的SAR圖像變化檢測方法，其特征在于，包括如下步驟：

(1)輸入時相1圖像I和時相2圖像J，圖像大小均為U行V列，圖像的灰度級范圍為0～255；

(2)由時相1圖像I和時相2圖像J計算多尺度差異指導圖MGI；

(3)建立堆棧去噪自編碼器SDAE網絡，該網絡由兩層去噪自編碼器DAE網絡堆棧而成，堆棧結構為：輸入層、第一隱含層、第二隱含層、第三隱含層、輸出層神經元數目分別為NN1、NN2、NN3、NN2、NN1；在單層預訓練階段，第一層DAE網絡的結構為：輸入層、隱含層、輸出層神經元數目分別為NN1、NN2、NN1；第二層DAE網絡的結構為：輸入層、隱含層、輸出層神經元數目分別為NN2、NN3、NN2；

(4)將時相1圖像I作為SDAE網絡的輸入，進行SDAE網絡訓練，得到輸入層與第一隱含層之間的權重第一隱含層與第二隱含層之間的權重第二隱含層與第三隱含層之間的權重第三隱含層與輸出層之間的權重

(5)建立半監督去噪自編碼器Semi-DAE網絡，網絡結構為：輸入層、隱含層、輸出層神經元數目分別為NN1、NN2、NN1；

(6)建立堆棧半監督自適應去噪自編碼器SSADAE網絡，該網絡由兩層網絡堆棧而成，堆棧結構與SDAE網絡相同，在單層預訓練階段，第一層網絡為Semi-DAE網絡，第二層網絡為DAE網絡；

(7)將時相1圖像I、時相2圖像J和多尺度差異指導圖MGI作為SSADAE網絡輸入，進行SSADAE網絡訓練，得到SSADAE網絡權重，多層微調階段的誤差計算采用自適應誤差函數；

(8)將時相1圖像I和時相2圖像J輸入訓練好的SSADAE網絡得到時相1圖像特征和時相2圖像特征；將這兩個圖像特征相減，使用模糊C均值聚類算法FCM分為兩類，得到變化檢測結果；

步驟(2)中所述的計算多尺度差異指導圖MGI的方法包括如下步驟：

(2a)對時相1圖像I和時相2圖像J中位置(u,v)處像素點的3×3鄰域分別計算該3×3鄰域中共9個像素值的均值，分別記為μ_N3(I(u,v))和μ_N3(J(u,v))，再根據下式計算(u,v)處的3×3鄰域均值差異值I_S(u,v)，

遍歷所有像素點，得到3×3鄰域均值差異圖像I_S＝{I_S(u,v)|1≤u≤U,1≤v≤V}，即小尺度差異圖I_S，這里u和v分別為圖像的行序號和列序號；

再根據下式計算(u,v)處的3×3鄰域均值差異對數值LI_S(u,v)，

LI_S(u,v)＝log(I_S(u,v)) (2)

遍歷所有像素點，得到3×3鄰域均值差異對數圖像LI_S＝{LI_S(u,v)|1≤u≤U,1≤v≤V}；

(2b)對時相1圖像I和時相2圖像J中位置(u,v)處像素點的7×7鄰域分別計算該7×7鄰域中共49個像素值的均值，分別記為μ_N7(I(u,v))和μ_N7(J(u,v))，再根據下式計算(u,v)處兩時相之間的7×7鄰域均值差異值I_M(u,v)，

遍歷所有像素點，得到7×7鄰域均值差異圖像I_M＝{I_M(u,v)|1≤u≤U,1≤v≤V}，即中尺度差異圖I_M；

(2c)對時相1圖像I和時相2圖像J中位置(u,v)處像素點的11×11鄰域分別計算該鄰域塊共121個像素值的均值，分別記為μ_N11(I(u,v))和μ_N11(J(u,v))，再根據下式計算(u,v)處兩時相之間的11×11鄰域均值差異值I_L(u,v)，

遍歷所有像素點，得到11×11鄰域均值差異圖像I_L＝{I_L(u,v)|1≤u≤U,1≤v≤V}，即大尺度差異圖I_L；

(2d)對步驟(2a)得到的3×3鄰域均值差異對數圖像LI_S，計算其像素點(u,v)的5×5鄰域的標準差σ_N5(u,v)和均值μ_N5(u,v)的比值r(u,v)，

遍歷所有像素點，得到5×5鄰域標準差均值比圖像R＝{r(u,v)|1≤u≤U,1≤v≤V}；

(2e)按照下式計算(u,v)處兩時相之間的多尺度差異參考值MGI(u,v)，

遍歷所有像素點，得到多尺度差異指導圖像，簡稱MGI圖。