[发明专利]基于深度森林的SAR图像变化检测方法

权利要求书

1.一种基于深度森林的SAR图像变化检测方法,其特征在于，包括如下步骤：

(1)获取初始SAR图像变化检测图：

(1a)获取SAR图像X1和X2的差异图D：

对同一地区不同时相的两幅已配准SAR图像X1和X2相同位置像素点的灰度值进行对数比操作，得到X1和X2的差异图D，其中，D中位置(i,j)处像素点的灰度值D(i,j)的计算公式为：

其中，X1(i,j)和X2(i,j)分别表示X1中位置(i,j)处像素点的灰度值和X2中位置(i,j)处像素点的灰度值；

(1b)对差异图D进行滤波，得到去噪后的差异图D1；

(1c)采用模糊C均值算法对D1进行分类，得到具有分类标签的初始SAR图像变化检测图；

(2)对深度森林模型进行优化：

通过L个输入的多粒度扫描结构替换深度森林模型中的单个输入的多粒度扫描结构，L≥2，得到具有多个尺度图像块输入的深度森林模型；

(3)获取训练样本数据集：

以像素点位置(i,j)为中心，在X1和X2上分别提取大小为n1×n1和n2×n2的矩形块，n1≥1，n2≥1，并将提取出的矩形块和初始SAR图像变化检测图位置(i,j)处像素点的分类标签作为训练样本数据集；

(4)获取初始类别概率图P：

将训练样本数据集输入到具有多个尺度图像块输入的深度深林模型中进行训练，得到训练好的深度森林模型，并将X1和X2输入到训练好的深度森林模型中进行检测，得到初始类别概率图P；

(5)计算差异图D的梯度幅值图G和梯度方向图M：

计算D中所有位置处像素点梯度幅值和梯度方向值，所有位置处像素点梯度幅值组成梯度幅值图G，所有位置处像素点梯度方向值组成梯度方向图M；

(6)获取最终类别概率图P2：

(6a)将梯度方向图M中所有像素的方向值在0～360度范围内平均划分为n个区域，n≥2，得到包含n个区域的梯度方向像素集；

(6b)根据梯度幅值图G像素点幅值，计算梯度方向像素集中每个区域内像素点幅值和，得到梯度幅值图G1；

(6c)将初始类别概率图P平均分为n个区域，并计算每个区域内像素概率值的均值，得到类别概率图P1；

(6d)将梯度幅值图G1中每个像素点幅值和类别概率图P1中对应像素点概率值相乘，得到最终类别概率图P2；

(7)获取最终SAR图像变化检测图：

判断P2中每个像素点概率值与预设阈值ψ的大小，并将概率值大于ψ的像素点作为变化类的像素点，将概率值小于ψ的像素点作为未变化类的像素点，变化类的像素点和未变化类的像素点组成最终SAR图像变化检测图。

2.根据权利要求1所述的基于深度森林的SAR图像变化检测方法,其特征在于：步骤(1b)中所述的对差异图D进行滤波，采用非局部均值算法，其中，D中中心位置x处像素点的灰度值D1(x)的计算公式为：

其中y是D中除中心位置x处像素点以外的其它像素点位置，D(y)是D中位置y处像素点的灰度值，D(x)是D中位置x处像素点的灰度值，W(x,y)为D中位置x处像素点灰度值和D中位置y处像素点灰度值的权值，h是平滑参数，Z(x)是归一化系数。

3.根据权利要求1所述的基于深度森林的SAR图像变化检测方法,其特征在于：步骤(4)中所述的将训练样本数据集输入到具有多个尺度图像块输入的深度深林模型中进行训练，其中深度森林模型中每个森林均采用K折交叉验证方法进行训练，训练次数为T-1，T≥2。

4.根据权利要求1所述的基于深度森林的SAR图像变化检测方法,其特征在于：步骤(5)中所述的计算D中所有位置处像素点梯度幅值和梯度方向值，其中，D中位置(i,j)处像素点梯度幅值G(i,j)和M中位置(i,j)处像素点梯度方向值M(i,j)的计算公式分别为：

G₁(i,j)＝D(i+1,j)-D(i-1,j)

G₂(i,j)＝D(i,j+1)-D(i,j-1)

其中G₁(i,j)表示D水平方向位置(i,j)处的像素点灰度差值，G₂(i,j)表示D垂直方向位置(i,j)处的像素点灰度差值。