[發(fā)明專利]基于網(wǎng)絡結構優(yōu)化的SAR圖像變化區(qū)域檢測方法

有效

• 申請?zhí)枺?/td>: 201810193117.4
• 申請日: 2018-03-09
• 公開（公告）號: CN108460392B
• 公開（公告）日: 2020-04-07
• 發(fā)明（設計）人: 劉若辰;焦李成;王銳楠;李建霞;馮婕;慕彩紅;李陽陽;張向榮
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/00
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

1.一種基于網(wǎng)絡結構優(yōu)化的合成孔徑雷達SAR圖像變化區(qū)域檢測方法，其特征在于，該方法是構建一個堆棧自動編碼器網(wǎng)絡，將合成孔徑雷達SAR圖像的每一個像素點與其周圍鄰域的像素點輸入堆棧自動編碼器網(wǎng)絡，使用粒子群算法，優(yōu)化堆棧自動編碼器網(wǎng)絡的結構，得到圖像的局部特征，用局部特征對所有像素點進行分類，得到最終的變化檢測結果圖，該方法的具體步驟包括如下：

(1)讀入合成孔徑雷達SAR圖像：

讀入同一地區(qū)不同時相的兩幅已配準且校正的合成孔徑雷達SAR圖像I₁和I₂；

(2)歸一化處理：

使用歸一化公式，對讀入的合成孔徑雷達SAR圖像I₁和I₂進行歸一化處理，得到歸一化后的合成孔徑雷達SAR圖像I₁'和I₂'；

(3)構建變化檢測矩陣：

(3a)將歸一化后的合成孔徑雷達SAR圖像I₁'的每一個像素點與其周圍5×5鄰域的25個像素點，作為檢測子矩陣M1的行向量；

(3b)將歸一化后的合成孔徑雷達SAR圖像I₂'的每一個像素點與其周圍5×5鄰域的25個像素點，作為檢測子矩陣M2的行向量；

(3c)構建一個變化檢測矩陣M，該變化檢測矩陣M的行數(shù)等于檢測子矩陣M1的行數(shù)和檢測子矩陣M2的行數(shù)之和，該變化檢測矩陣M的列數(shù)等于檢測子矩陣M1的列數(shù)，將該變化檢測矩陣M的每一個元素的初始值設置為0；

(4)更新變化檢測矩陣：

將檢測子矩陣M1與檢測子矩陣M2的所有行向量，依次存放到變化檢測矩陣M的行向量中，組成更新后的變化檢測矩陣；

(5)選擇訓練樣本集：

(5a)從更新后的變化檢測矩陣中隨機選擇一個行向量，作為一個訓練樣本；

(5b)從更新后的變化檢測矩陣中隨機選擇行向量總數(shù)的75％的行向量，組成一個訓練樣本集；

(6)搭建堆棧自動編碼器網(wǎng)絡：

(6a)搭建一個5層堆棧自動編碼器網(wǎng)絡，其結構為：輸入層→第一個隱藏層→第二個隱藏層→第三個隱藏層→輸出層，其中，堆棧自動編碼器網(wǎng)絡的每一個隱藏層的結構為一個自動編碼器；

(6b)設置堆棧自動編碼器網(wǎng)絡的每一層參數(shù)如下：將輸入層的節(jié)點總數(shù)設置為50，將第一個隱藏層的節(jié)點總數(shù)設置100，將第二個隱藏層的節(jié)點總數(shù)設置為50，將第三個隱藏層的節(jié)點總數(shù)設置為25，將輸出層的節(jié)點數(shù)設置為1；

(7)訓練堆棧自動編碼器網(wǎng)絡：

將訓練樣本集的樣本，依次輸入到堆棧自動編碼器網(wǎng)絡中，逐層訓練堆棧自動編碼器網(wǎng)絡；

(8)使用粒子群算法，逐層優(yōu)化訓練好的堆棧自動編碼器網(wǎng)絡：

(8a)將每一個權重粒子變量的初始值設置為0；

(8b)用每一個自動編碼器的每一個權重值w1，更新每一個權重粒子變量的值；

(8c)將每一個偏差粒子變量的初始值設置為0；

(8d)用每一個自動編碼器的每一個偏差值b1，更新每一個偏差粒子變量的值；

(8e)按照下式，計算一個權重粒子變量的適應度最小值：

p1＝min{f1₁,f1₂,...,f1_N}

其中，p1表示一個權重粒子變量的適應度最小值，min表示取最小值操作，f1₁表示第1個權重粒子值適應度，f1₂表示第2個權重粒子值的適應度，N表示一個自動編碼器權重值的總數(shù)，f1_N表示第N個權重粒子值的適應度；

(8f)按照下式，計算一個偏差粒子變量的適應度最小值：

p2＝min{f2₁,f2₂,...,f2_M}

其中，p2表示一個偏差粒子變量的適應度最小值，f2₁表示第1個偏差粒子值的適應度，f2₂表示第2個偏差粒子值的適應度，M表示一個自動編碼器偏差值的總數(shù)，f2_M表示第M個偏差粒子值的適應度；

(8g)將一個優(yōu)化代數(shù)變量的初始值設置為0；

(8h)將每一個權重粒子值的更新前速度的初始值設置為0；

(8i)將每一個權重粒子值的更新后速度的初始值設置為0；

(8j)將每一個權重粒子值更新前的初始值設置為0；

(8k)將每一個權重粒子值的更新后的初始值設置為0；

(8l)將每一個偏差粒子值的更新前速度的初始值設置為0；

(8m)將每一個偏差粒子值的更新后速度的初始值設置為0；

(8n)將每一個偏差粒子值更新前的初始值設置為0；

(8o)將每一個偏差粒子值的更新后的初始值設置為0；

(8p)按照下式，計算每一個權重粒子值的更新后速度值：

v2_i＝v1_i+c1×r1×(p1-w1_i)+c2×r2×w1_i,

其中，v2_i表示第i個權重粒子值的更新后速度值，i∈{1,2,...,N}，∈表示屬于符號，{}表示集合符號，v1_i表示第i個權重粒子值的更新前速度值，c1表示取值為2的局部學習速率值，r1表示一個介于0到1之間的隨機數(shù)，w1_i表示第i個權重粒子值更新前的值，c2表示取值為2的全局學習速率值，r2表示一個介于0到1之間的隨機數(shù)；

(8q)將第j個權重粒子值更新前的值w1_j加上第j個權重粒子值的更新后速度值v2_j，j∈{1,2,...,N}，得到第j個更新值h2_j；

(8r)利用第j個更新值h2_j更新第j個權重粒子值w2_j；

(8s)按照下式，計算每一個偏差粒子值的更新后速度值：

v4_t＝v3_t+c3×r3×(p2-b1_t)+c4×r4×b1_t,

其中，v4_t表示第t個偏差粒子值的更新后速度值，t∈{1,2,...,M}，v3_t表示第t個偏差粒子值更新前速度值，c3表示局部學習速率的值，r3表示一個介于0到1之間的隨機數(shù)，b1_t表示第t個偏差粒子值更新前的值，c4表示全局學習速率的值，r4表示一個介于0到1之間的隨機數(shù)；

(8t)將第k個偏差粒子值更新前的值b1_k加上第k個偏差粒子值的更新后速度值v4_k，k∈{1,2,...,M}，得到第k個更新值h2_k；

(8u)利用第k個更新值h2_k更新第k個權重粒子值b2_k；

(9)構建概率矩陣：

構建一個概率矩陣，概率矩陣的行數(shù)等于變化檢測矩陣的行數(shù)，概率矩陣的列數(shù)等于變化檢測矩陣的列數(shù)，該概率矩陣的每一個元素的初始值是0；

(10)更新概率矩陣：

(10a)將更新后的變化檢測矩陣的每一個元素，依次輸入到優(yōu)化好的堆棧自動編碼器網(wǎng)絡中，得到每一個元素的變化概率，將變化概率保存到概率矩陣中；

(10b)遍歷概率矩陣中的每一個元素，若元素的值大于等于0.5，則執(zhí)行步驟(10c)，否則，執(zhí)行步驟(10d)；

(10c)將元素的值更新為255；

(10d)將元素的值更新為0；

(10e)概率矩陣中的每一個元素更新完后，得到更新后的概率矩陣；

(11)獲得變化檢測圖像：

將更新后的概率矩陣的所有元素值作為像素灰度值，利用Matlab中的imshow函數(shù)，將像素灰度值轉化為變化檢測圖像。