[發明專利]一種基于曲線波SAE的高分辨SAR圖像變化檢測方法

有效

• 申請號: 201710571602.6
• 申請日: 2017-07-13
• 公開（公告）號: CN107358261B
• 公開（公告）日: 2020-05-01
• 發明（設計）人: 焦李成;屈嶸;孟繁榮;張丹;楊淑媛;侯彪;馬文萍;劉芳;尚榮華;張向榮;唐旭;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/34;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于曲線波SAE的高分辨SAR圖像變化檢測方法，其特征在于，根據兩幅配準后的同一地區不同時相的SAR圖像構建訓練數據集并進行歸一化；構建三層堆棧自編碼網絡，從數據集中選擇20％樣本送入自編碼網絡中訓練網絡，將數據集送入訓練好的自編碼網絡中得到顯著性區域圖，修改選擇樣本的尺寸大小和自編碼網絡每層神經元個數，得到兩個尺度下的顯著性區域，將這兩個尺度下的顯著性區域交疊得到最終顯著性區域，從最終顯著性區域中提取對應第一圖像和第二圖像的顯著性區域，選取訓練數據集，構建曲線波堆棧自編碼網絡，從數據集中選擇20％樣本送入曲線波堆棧自編碼網絡中訓練網絡；將數據集送入訓練好的曲線波堆棧自編碼網絡中得到變化檢測結果圖；修改選擇樣本的尺寸大小和曲線波堆棧自編碼網絡中每層神經元個數，得到多個尺度下的變化檢測結果，并將這些變化檢測結果通過閾值合并為最終的變化檢測結果，包括以下步驟：

S1、構造訓練數據集D_s，通過滑窗的方式從兩幅配準后的同一地區不同時相的SAR圖像中取圖像塊作為訓練數據集D_s，圖像塊為41×41，訓練數據集D_s包括第一圖像和第二圖像的所有數據，其中前一半是第一圖像的數據，后一半是第二圖像的數據；

S2、將數據集D_s歸一化到[0，1]之間，記作N_s；

S3、構建三層堆棧自編碼網絡，將數據集N_s送入訓練好的堆棧自編碼網絡中得到第一圖像和第二圖像的特征F_s1，F_s2；

S4、根據步驟S3中得到的F_s1和F_s2得到特征差異圖S_f1，并對差異圖通過閾值法確定閾值分割差異圖，得到該尺度下的顯著性區域，特征差異圖S_f1如下：

S_f1＝|F_s1|-|F_s2|

其中，F_s1，F_s2為第一圖像和第二圖像的特征；

S5、改變構造訓練集時滑窗大小和堆棧自編碼網絡中每層神經元個數，重復步驟S1-S4，得到不同尺度下的顯著性區域，并綜合不同尺度下的顯著性區域得到最終的顯著性區域W，并提取第一圖像和第二圖像對應的顯著性區域W1、W2；

S6、構造訓練數據集D_c，通過滑窗的方式從第一圖像和第二圖像顯著性區域W1、W2中取一定尺度的圖像塊作為訓練數據集D_c；

S7、構建曲線波堆棧自編碼網絡，具體包括以下步驟：

S71、將訓練數據集D_c送入曲線波層，得到數據的稀疏特征F_c1；

S72、將稀疏特征F_c1歸一化到[0，1]之間，記作N_c；

S73、確定之后每一層的神經元個數，并隨機初始化權重w3和偏置b3；

S74、將訓練數據N_c送入曲線波堆棧自編碼網絡，采用逐層貪婪訓練法進行訓練，得到每一層權重w4和偏置b4；

S75、將第一圖像和第二圖像分別送入訓練好的網絡，得到第一圖像和第二圖像的特征表示F_c2_1和F_c2_2，作差得到特征差異圖S_f2；

S8、根據步驟S7構建的曲線波堆棧自編碼網絡中的F_c2_1和F_c2_2得到特征差異圖S_f2，并對差異圖通過閾值法確定閾值分割差異圖，得到步驟S6中尺度下的變化檢測結果；

S9、改變構造訓練集時滑窗大小和曲線波堆棧自編碼網絡中每層神經元個數，重復步驟S6-S8，得到多尺度下的變化檢測結果，綜合這些變化檢測結果得到最終的變化檢測結果C。

2.根據權利要求1所述的一種基于曲線波SAE的高分辨SAR圖像變化檢測方法，其特征在于，步驟S3具體為：

S31、確定每一層的神經元個數，并隨機初始化權重w1和偏置b1；

S32、將訓練數據N_s送入堆棧自編碼網絡，采用逐層貪婪訓練法進行訓練，得到每一層權重w2和偏置b2；

S33、將第一圖像和第二圖像分別送入訓練好的網絡，得到第一圖像和第二圖像的特征表示F_s1，F_s2。

3.根據權利要求2所述的一種基于曲線波SAE的高分辨SAR圖像變化檢測方法，其特征在于，每層損失函數如下：

其中，input為自編碼網絡中每層的輸入，output為重構結果。