[發明專利]基于顯著性分析的PCANet圖像變化檢測方法

有效

• 申請號: 201711403396.4
• 申請日: 2017-12-22
• 公開（公告）號: CN108257151B
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 李明;劉慧敏;張鵬;李夢柯;吳艷;吳嬌嬌
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06K9/62;G06K9/46
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 程曉霞;王品華

1.一種基于顯著性分析的PCANet圖像變化檢測方法，用于SAR圖像變化檢測，其特征在于，包括有以下步驟：

(1)產生最初差異圖：輸入同一區域不同時間的兩組SAR圖像im₁、im₂，經過中值濾波處理，然后產生這兩組SAR圖像的最初差異圖D₁；

(2)對差異圖進行顯著性分析求出顯著值：根據顯著性區域提取方法的四個參考原則對最初差異圖D₁進行顯著性檢測，設定一個相似性度量值d(p_i,q_k)，并最終求得顯著值

(3)優化顯著值結果：對顯著值進行多尺度處理，再將多尺度處理后的顯著值結果優化為并得到對應的顯著圖；

(4)利用門限方法將顯著圖二值化：利用Matlab中的大津算法函數從顯著值結果中找到顯著圖中的門限值τ，用門限方法將顯著圖進行二值化處理，得到二值化門限圖D_s；

(5)更新差異圖：利用二值化門限圖D_s區分出對應原圖中可能變化的區域和不變的區域所在的位置，得到ds_i，然后獲得更新后的差異圖D₂；

(6)再次利用門限方法進一步分類：利用Matlab中的大津算法函數在更新后的差異圖D₂中找到差異門限值用門限方法對更新后的差異圖進行三值化處理，根據處理結果在對應原圖中提取正樣本、負樣本和不確定像素，不確定像素即為需要進一步分類的圖像像素；

(7)利用PCANet得到訓練好的特征：利用PCANet提取正、負訓練樣本對應的特征，再利用PCANet提取不確定像素對應的特征；

(8)利用SVM進行分類：利用訓練好的正、負樣本對應的特征訓練支持向量機SVM，再將PCANet提取的不確定像素的特征輸入支持向量機SVM中進行正、負樣本的最后分類，得到兩時相SAR圖像最終的變化檢測結果。

2.根據權利要求1所述的基于顯著性分析的PCANet圖像變化檢測方法，其特征在于，步驟(4)中所述的利用門限方法將顯著圖進行二值化處理，得到二值化門限圖D_s為：

其中，D_s為1的是可能變化區域；D_s為0的被視為一定不存在變化的區域，測試時將不考慮該區域。

3.根據權利要求1所述的基于顯著性分析的PCANet圖像變化檢測方法，其特征在于，步驟(6)中所述的利用門限方法對更新后的差異圖進行三值化處理得到的分類結果P為：

其中σ₁和σ₂表示范圍精度，需要根據差異門限值的值進行調整，調整范圍不超過的30％；在顯著性區域中P為1的位置表示確定為變化的像素，作為正訓練樣本，P為0的位置表示確定為未變化的像素，作為負訓練樣本，P為0.5的位置表示為不確定像素，需要進一步分類確定。

4.根據權利要求1所述的基于顯著性分析的PCANet圖像變化檢測方法，其特征在于，步驟(7)中所述利用PCANet得到訓練好的特征過程為：

令圖像塊表示在圖像im_i(i＝1,2)中以(x,y)為中心，取大小為m*m的小塊，m可取任意正整數，將兩個不同時相的SAR圖像相同位置取出的小塊和組合起來作為一個新的圖像塊，圖像塊的大小是2m*m，用這樣的方法，隨機的從分類得到的正、負訓練樣本中選取n個組合好的訓練樣本P_i(i＝1,2,...n)，得到組合好的訓練樣本P_i(i＝1,2,...n)，利用PCANet對組合好的訓練樣本提取特征，得到訓練好的特征。

5.根據權利要求1或4所述的基于顯著性分析的PCANet圖像變化檢測方法，其特征在于，步驟(7)中利用PCANet提取正、負訓練樣本所對應特征的具體過程包含有如下步驟：

(7.1)對選取的每個訓練樣本P_i做取均值處理和向量化處理得到把所有的組合到一個矩陣中，形成矩陣P：

然后計算PP^T的特征向量，取前N₁個特征向量來形成第一層PCA濾波器W_l¹：

W_l¹＝mat(q_l(PP^T))∈R^2m×ml＝1,2,...,N₁，

其中，q_l(PP^T)表示PP^T的第l個特征向量，mat(v)表示把向量映射成為一個矩陣W∈R^2m×m，主成分濾波器可以獲得主要的樣本特征的信息，其輸出為P_i^l：

P_i^l＝P_i*W_l¹,i＝1,2,...,n，

其中，*表示三維卷積操作；

(7.2)網絡的第二層，和第一層操作類似，先對第一層nN₁個輸出進行去均值處理和向量化處理，得到新的輸入：

用和步驟(1)一樣的方法，得到QQ^T的前N₂個特征向量，形成第二層的PCA濾波器對第一層的每個輸出進行二維卷積，則第i個圖像塊最終可以得到N₁N₂個特征向量輸出R_i：

(7.3)將第一層的一個輸出輸入到第二層后將會得到N₂個輸出，用赫維賽德階躍函數將這N₂個輸出二值化后，把這N₂個二值化圖轉化成一個整數值的圖像，每個位置的數值范圍為轉化公式如下：

最后，用直方圖統計來表示第一層網絡產生的N₁個圖的特征，得到第i個小塊的特征；

(7.4)對選取的n個圖像塊都經過上述步驟處理，得到全部訓練好的特征。