[发明专利]基于显著性和深度卷积网络的SAR图像变化检测方法

权利要求书

1.一种基于显著性和深度卷积网络的SAR图像变化检测方法，其特征在于，包括：

(1)输入同一区域t₁时刻的SAR图像X₁和t₂时刻的SAR图像X₂，并依次进行图像配准、几何校正，获得预处理后的两幅不同时刻的SAR图像I₁和I₂；

(2)对预处理后的两幅SAR图像I₁和I₂，通过对数比值法得到对数比值差异图，并对其进行归一化，得到归一化后的对数比值差异图I_L；

(3)利用显著检测方法，对归一化后的对数比值差异图I_L进行显著性检测，得到显著图S，按如下步骤进行：

(3a)对I_L中的每个像素点按照如下公式计算出显著性值：

其中，表示第i像素点在l尺度下的显著性值，L＝{r₁,r₂,...,r_m,...,r_M}表示所取图像块尺度的集合，r_m是第m个尺度，M表示尺度的个数，dis_foci(i)表示与图像块i最相近聚焦点邻域块位置之间的欧式距离，dis(·)定义了一种图像块与图像块之间的距离度量，其中，挑选了与图像块最相似的K个图像块，表示第i像素点在l尺度下的图像块，表示第m像素点在l_m尺度下的图像块；

(3b)根据计算出的每个像素点的显著性值，得到显著图n为I_L中像素点的总个数；

(4)设置阈值T为0.35，将显著图S中的每个像素值与阈值T作比较，当大于阈值T时，则将设置为1.0，否则，设置为0，得到二值化图像S_bi；

(5)将对数比值差异图I_L与二值化图像S_bi进行点乘，得到显著特征图：D_s＝I_L·S_bi；

(6)对归一化后的对数比值差异图I_L进行K-means聚类，得到预分类结果R_pre；

(7)依据预分类结果挑选训练样例：

(7a)设置需要挑选的训练样例占总体样例的比例r为0.12，依据总体样例中变化像素点和不变化像素点所占的比重确定训练样例中变化像素点的个数N_c和不变化像素点的个数N_u：

N_u＝N×r-N_c，

其中，N表示总体样例的个数；M_c、M_u分别表示总体样例中变化像素点和不变化像素点的个数；

(7b)根据(7a)得到的N_c、N_u和预分类的结果R_pre，挑选训练样例；

(8)构建由1个输入层，4个卷积层和1个softmax层的深度卷积网络模型；

(9)用挑选好的训练样例对深度卷积网络模型进行训练，即将挑选好的训练样例输入深度卷积网络模型中，并用挑选的样例中对应的预分类的结果作为标签迭代训练30次网络，得到训练好的深度卷积网络；

(10)将步骤(5)得到的显著特征图D_s根据窗口大小进行延拓，并对延拓得到后的图像D_ms取块，逐个拉成向量，得到向量集合V_ms；再将该向量集合V_ms输入训练好的深度卷积网络中，预测出对应像素点的标签，将这些标签重新组合成矩阵的形式，即可得到最终的变化检测的结果。

2.根据权利要求1所述的方法，其中步骤(2)中得到归一化后的对数比值差异图I_L，通过如下公式计算：

其中，[·]表示归一化操作。