[发明专利]一种基于曲线波SAE的高分辨SAR图像变化检测方法

权利要求书

1.一种基于曲线波SAE的高分辨SAR图像变化检测方法，其特征在于，根据两幅配准后的同一地区不同时相的SAR图像构建训练数据集并进行归一化；构建三层堆栈自编码网络，从数据集中选择20％样本送入自编码网络中训练网络，将数据集送入训练好的自编码网络中得到显著性区域图，修改选择样本的尺寸大小和自编码网络每层神经元个数，得到两个尺度下的显著性区域，将这两个尺度下的显著性区域交叠得到最终显著性区域，从最终显著性区域中提取对应第一图像和第二图像的显著性区域，选取训练数据集，构建曲线波堆栈自编码网络，从数据集中选择20％样本送入曲线波堆栈自编码网络中训练网络；将数据集送入训练好的曲线波堆栈自编码网络中得到变化检测结果图；修改选择样本的尺寸大小和曲线波堆栈自编码网络中每层神经元个数，得到多个尺度下的变化检测结果，并将这些变化检测结果通过阈值合并为最终的变化检测结果，包括以下步骤：

S1、构造训练数据集D_s，通过滑窗的方式从两幅配准后的同一地区不同时相的SAR图像中取图像块作为训练数据集D_s，图像块为41×41，训练数据集D_s包括第一图像和第二图像的所有数据，其中前一半是第一图像的数据，后一半是第二图像的数据；

S2、将数据集D_s归一化到[0，1]之间，记作N_s；

S3、构建三层堆栈自编码网络，将数据集N_s送入训练好的堆栈自编码网络中得到第一图像和第二图像的特征F_s1，F_s2；

S4、根据步骤S3中得到的F_s1和F_s2得到特征差异图S_f1，并对差异图通过阈值法确定阈值分割差异图，得到该尺度下的显著性区域，特征差异图S_f1如下：

S_f1＝|F_s1|-|F_s2|

其中，F_s1，F_s2为第一图像和第二图像的特征；

S5、改变构造训练集时滑窗大小和堆栈自编码网络中每层神经元个数，重复步骤S1-S4，得到不同尺度下的显著性区域，并综合不同尺度下的显著性区域得到最终的显著性区域W，并提取第一图像和第二图像对应的显著性区域W1、W2；

S6、构造训练数据集D_c，通过滑窗的方式从第一图像和第二图像显著性区域W1、W2中取一定尺度的图像块作为训练数据集D_c；

S7、构建曲线波堆栈自编码网络，具体包括以下步骤：

S71、将训练数据集D_c送入曲线波层，得到数据的稀疏特征F_c1；

S72、将稀疏特征F_c1归一化到[0，1]之间，记作N_c；

S73、确定之后每一层的神经元个数，并随机初始化权重w3和偏置b3；

S74、将训练数据N_c送入曲线波堆栈自编码网络，采用逐层贪婪训练法进行训练，得到每一层权重w4和偏置b4；

S75、将第一图像和第二图像分别送入训练好的网络，得到第一图像和第二图像的特征表示F_c2_1和F_c2_2，作差得到特征差异图S_f2；

S8、根据步骤S7构建的曲线波堆栈自编码网络中的F_c2_1和F_c2_2得到特征差异图S_f2，并对差异图通过阈值法确定阈值分割差异图，得到步骤S6中尺度下的变化检测结果；

S9、改变构造训练集时滑窗大小和曲线波堆栈自编码网络中每层神经元个数，重复步骤S6-S8，得到多尺度下的变化检测结果，综合这些变化检测结果得到最终的变化检测结果C。

2.根据权利要求1所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法，其特征在于，步骤S3具体为：

S31、确定每一层的神经元个数，并随机初始化权重w1和偏置b1；

S32、将训练数据N_s送入堆栈自编码网络，采用逐层贪婪训练法进行训练，得到每一层权重w2和偏置b2；

S33、将第一图像和第二图像分别送入训练好的网络，得到第一图像和第二图像的特征表示F_s1，F_s2。

3.根据权利要求2所述的一种基于曲线波SAE的高分辨SAR图像变化检测方法，其特征在于，每层损失函数如下：

其中，input为自编码网络中每层的输入，output为重构结果。