[發(fā)明專利]一種基于圖神經(jīng)網(wǎng)絡(luò)的變化檢測方法

有效

• 申請?zhí)枺?/td>: 202110336097.3
• 申請日: 2021-03-29
• 公開（公告）號: CN113160146B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計）人: 張新征;蘇杭;周喜川
• 申請（專利權(quán)）人: 重慶大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06V10/74;G06V10/762;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶博凱知識產(chǎn)權(quán)代理有限公司 50212
• 代理人: 胡逸然

1.一種基于圖神經(jīng)網(wǎng)絡(luò)的變化檢測方法，其特征在于，包括：

S1、獲取二時相SAR圖像I₁和I₂；

S2、基于I₁和I₂生成三通道圖像整合了對數(shù)比圖像、組合差分圖像及基于多尺度超像素重建的差分圖像；

S3、從三通道圖像中提取超像素，計算超像素間的相似度，構(gòu)建圖G(V,E)，V表示圖的節(jié)點，E表示圖的邊；

S4、利用變分圖自動編碼器網(wǎng)絡(luò)提取圖G(V,E)的非局部空間特征表示；

S5、利用k-means聚類算法基于非局部空間特征表示對每一個超像素進行分類。

2.如權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的變化檢測方法，其特征在于，步驟S2中包括：

式中，和分別表示第1、第2和第3通道的差分圖像，Rec(·)表示基于多尺度超像素重建的差分圖像的方法，mean(·)和median(·)表示均勻濾波和中值濾波。

3.如權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的變化檢測方法，其特征在于，步驟S3包括：

S301、利用簡單線性迭代聚類分割三通道圖像得到N個超像素的集合和分別為第1、第2和第3通道的超像素；

S302、將每個超像素重塑為M維特征向量，得到超像素向量集合{X¹,X²,X³}，X¹、X²和X³分別表示從三個差分圖像和獲得的超像素特征向量，表示為M是所有超像素中的最大像素數(shù)，表示X^c中的第n個元素，c＝1,2,3；

S303、按下式計算超像素向量之間的相似性：

式中，S(X_i,X_j)表示X_i和X_j之間的相似性，λ表示控制參數(shù)，exp(·)表示基于自然常數(shù)e為底的指數(shù)函數(shù)；

S304、基于超像素向量之間的相似性構(gòu)建無向圖G(V,E)，并得到對應的鄰接矩陣A，

式中，a_ij表示鄰接矩陣A中第i行第j列的元素，T表示預設(shè)稀疏性閾值。

4.如權(quán)利要求3所述的基于圖神經(jīng)網(wǎng)絡(luò)的變化檢測方法，其特征在于，變分圖自動編碼器網(wǎng)絡(luò)包括編碼器及解碼器，編碼器模型定義為：

式中，q(Z|X,A)表示潛在隨機變量Z的后驗分布，q(z_i|X,A)表示每個潛在隨機變量z_i的后驗分布，Z表示將X嵌入到潛在的子空間中得到的隨機變量，F(xiàn)表示潛在隨機變量的特征維數(shù)，z_i表示Z中第i個元素，X表示原始樣本特征，N(·)表示高斯正態(tài)分布，μ_i表示z_i對應的均值向量，σ_i表示z_i對應的方差向量，

解碼器模型定義為：

式中，p(A|Z)表示解碼得到的鄰接矩陣A的后驗分布，p(a_ij|z_i,z_j)表示重構(gòu)的鄰接矩陣A中的每個元素a_ij的后驗分布，σ(·)表示邏輯sigmoid函數(shù)；

損失函數(shù)Loss定義為：

式中，KL[q(·)||p(·)]表示q(·)和p(·)的KL散度，p(Z)表示高斯先驗，p(Z)＝Π_iN(z_i|0,I)，I表示單位矩陣，表示交叉熵損失函數(shù)。