[发明专利]基于SPL和CCN的SAR图像变化检测方法

权利要求书

1.一种基于自步学习SPL和卷积耦合神经网络CCN的合成孔径雷达SAR图像变化检测方法，其特征在于，利用自步学习方法选择损失值较小的训练样本，将训练样本按照损失值从小到大有序地加入卷积耦合神经网络训练；该方法具体步骤包含如下：

(1)读取并处理数据：

(1a)读入同一地区不同时刻获取的已经配准和几何校正的两幅合成孔径雷达SAR图像I₁和I₂；

(1b)利用归一化公式，对两幅合成孔径雷达SAR图像分别进行最大最小归一化处理，得到归一化处理之后的合成孔径雷达SAR图像R₁和R₂；

(1c)从归一化处理之后的合成孔径雷达SAR图像R₁中选取一个像素点，以所选取的像素点为中心，取一个3×3邻域，将所选取的像素点与其周围3×3邻域的9个像素点组成一个样本；

(1d)依次处理归一化处理之后的合成孔径雷达SAR图像R₁中的所有像素点，将得到的所有样本组成第一个总样本集；

(1e)采用与归一化处理之后的合成孔径雷达SAR图像R₁同样的处理方法，对归一化处理之后的合成孔径雷达SAR图像R₂进行处理，得到第二个总样本集；

(2)随机选择训练样本：

(2a)从第一个总样本集中随机选取50％的样本，组成第一个训练样本集；

(2b)从第二个总样本集中选取与第一个总样本集对应位置的样本，组成第二个训练样本集；

(3)构建卷积耦合神经网络：

搭建一个14层的卷积耦合神经网络，并设置神经网络的每一层参数，设置卷积耦合神经网络的最大迭代次数为10000；

(4)训练卷积耦合神经网络：

(4a)将第一个训练样本中的所有样本，依次加入卷积耦合神经网络的第一个输入层；

(4b)将第二个训练样本中的所有样本，依次加入卷积耦合神经网络的第二个输入层；

(4c)训练卷积耦合神经网络，当达到卷积耦合神经网络设置的最大迭代次数时，完成卷积耦合神经网络的训练过程，得到训练好的卷积耦合神经网络；

(5)利用自步学习方法，重新训练卷积耦合神经网络：

(5a)设置自步学习方法中的年龄参数为0.001，最大迭代次数为100；

(5b)将两个总样本集中的所有样本，同时加入训练好的卷积耦合神经网络，得到两个总样本集中的所有样本的损失值；

(5c)从第一个总样本集中选择损失值小于年龄参数的样本，组成第一个训练样本集；

(5d)从第二个总样本集选取与第一个总样本集对应位置的样本，组成第二个训练样本集；

(5e)利用年龄参数更新公式，更新年龄参数；

(5f)分别将两个训练样本集中的样本按照损失值从小到大排列；

(5g)将两个排列好的训练样本集加入卷积耦合神经网络，按照步骤(4)训练卷积耦合神经网络；

(5h)判断是否达到最大迭代次数，若是，则执行步骤(5i)，否则，执行步骤(5b)；

(5i)得到训练好的卷积耦合神经网络；

(6)得到特征映射：

将两个总样本集分别加入训练好的卷积耦合神经网络，得到两个特征映射；

(7)利用对数比值公式，得到差异图；

(8)利用阈值法公式，得到变化检测结果图。

2.根据权利要求1所述的基于自步学习SPL和卷积耦合神经网络CCN的合成孔径雷达SAR图像变化检测方法，其特征在于，步骤(1b)中所述的归一化公式如下：

其中，R表示一幅合成孔径雷达SAR图像归一化处理之后的合成孔径雷达SAR图像，I表示一幅待处理的合成孔径雷达SAR图像，min(·)表示取最小值操作，max(·)表示取最大值操作。