[发明专利]基于显著性分析的PCANet图像变化检测方法

权利要求书

1.一种基于显著性分析的PCANet图像变化检测方法，用于SAR图像变化检测，其特征在于，包括有以下步骤：

(1)产生最初差异图：输入同一区域不同时间的两组SAR图像im₁、im₂，经过中值滤波处理，然后产生这两组SAR图像的最初差异图D₁；

(2)对差异图进行显著性分析求出显著值：根据显著性区域提取方法的四个参考原则对最初差异图D₁进行显著性检测，设定一个相似性度量值d(p_i,q_k)，并最终求得显著值

(3)优化显著值结果：对显著值进行多尺度处理，再将多尺度处理后的显著值结果优化为并得到对应的显著图；

(4)利用门限方法将显著图二值化：利用Matlab中的大津算法函数从显著值结果中找到显著图中的门限值τ，用门限方法将显著图进行二值化处理，得到二值化门限图D_s；

(5)更新差异图：利用二值化门限图D_s区分出对应原图中可能变化的区域和不变的区域所在的位置，得到ds_i，然后获得更新后的差异图D₂；

(6)再次利用门限方法进一步分类：利用Matlab中的大津算法函数在更新后的差异图D₂中找到差异门限值用门限方法对更新后的差异图进行三值化处理，根据处理结果在对应原图中提取正样本、负样本和不确定像素，不确定像素即为需要进一步分类的图像像素；

(7)利用PCANet得到训练好的特征：利用PCANet提取正、负训练样本对应的特征，再利用PCANet提取不确定像素对应的特征；

(8)利用SVM进行分类：利用训练好的正、负样本对应的特征训练支持向量机SVM，再将PCANet提取的不确定像素的特征输入支持向量机SVM中进行正、负样本的最后分类，得到两时相SAR图像最终的变化检测结果。

2.根据权利要求1所述的基于显著性分析的PCANet图像变化检测方法，其特征在于，步骤(4)中所述的利用门限方法将显著图进行二值化处理，得到二值化门限图D_s为：

其中，D_s为1的是可能变化区域；D_s为0的被视为一定不存在变化的区域，测试时将不考虑该区域。

3.根据权利要求1所述的基于显著性分析的PCANet图像变化检测方法，其特征在于，步骤(6)中所述的利用门限方法对更新后的差异图进行三值化处理得到的分类结果P为：

其中σ₁和σ₂表示范围精度，需要根据差异门限值的值进行调整，调整范围不超过的30％；在显著性区域中P为1的位置表示确定为变化的像素，作为正训练样本，P为0的位置表示确定为未变化的像素，作为负训练样本，P为0.5的位置表示为不确定像素，需要进一步分类确定。

4.根据权利要求1所述的基于显著性分析的PCANet图像变化检测方法，其特征在于，步骤(7)中所述利用PCANet得到训练好的特征过程为：

令图像块表示在图像im_i(i＝1,2)中以(x,y)为中心，取大小为m*m的小块，m可取任意正整数，将两个不同时相的SAR图像相同位置取出的小块和组合起来作为一个新的图像块，图像块的大小是2m*m，用这样的方法，随机的从分类得到的正、负训练样本中选取n个组合好的训练样本P_i(i＝1,2,...n)，得到组合好的训练样本P_i(i＝1,2,...n)，利用PCANet对组合好的训练样本提取特征，得到训练好的特征。

5.根据权利要求1或4所述的基于显著性分析的PCANet图像变化检测方法，其特征在于，步骤(7)中利用PCANet提取正、负训练样本所对应特征的具体过程包含有如下步骤：

(7.1)对选取的每个训练样本P_i做取均值处理和向量化处理得到把所有的组合到一个矩阵中，形成矩阵P：

然后计算PP^T的特征向量，取前N₁个特征向量来形成第一层PCA滤波器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个特征向量，mat(v)表示把向量映射成为一个矩阵W∈R^2m×m，主成分滤波器可以获得主要的样本特征的信息，其输出为P_i^l：

P_i^l＝P_i*W_l¹,i＝1,2,...,n，

其中，*表示三维卷积操作；

(7.2)网络的第二层，和第一层操作类似，先对第一层nN₁个输出进行去均值处理和向量化处理，得到新的输入：

用和步骤(1)一样的方法，得到QQ^T的前N₂个特征向量，形成第二层的PCA滤波器对第一层的每个输出进行二维卷积，则第i个图像块最终可以得到N₁N₂个特征向量输出R_i：

(7.3)将第一层的一个输出输入到第二层后将会得到N₂个输出，用赫维赛德阶跃函数将这N₂个输出二值化后，把这N₂个二值化图转化成一个整数值的图像，每个位置的数值范围为转化公式如下：

最后，用直方图统计来表示第一层网络产生的N₁个图的特征，得到第i个小块的特征；

(7.4)对选取的n个图像块都经过上述步骤处理，得到全部训练好的特征。