[发明专利]基于双通道卷积神经网络的多时相SAR图像变化检测方法

摘要

本发明涉及一种基于双通道卷积神经网络的多时相SAR图像变化检测方法，深度神经网络通常包括三个模型，分别为：堆叠自编码器、深度置信网络、卷积神经网络。本发明使用卷积神经网络(Convolutional Neural Network，CNN)的训练方式，先构造两个结构相同CNN模型，随机挑选部分样本点，并人为标定这些样本点的变化检测结果，将这些样本点和标定检测结果作为训练CNN的训练数据。再使用训练好的CNN对未分类样本进行变化检测获得最终的变化检测结果。

主权项

1.一种基于双通道卷积神经网络的多时相SAR图像变化检测方法，其特征在于步骤如下：步骤1：选取训练样本设时刻t1,t2为两个不同时刻，分别在t1,t2时刻获取同一地点的两幅SAR图像X1,X2，且X1,X2已经经过配准、辐射校正及几何校正；设X₁,X₂两幅SAR图像的尺寸为p×q，对于两幅图像的某个坐标点(i,j)，其中n表示分别提取两幅图像中以此坐标点为中心的两个n×n邻域的大小，这两个n×n邻域形成一对相对应的n×n图像块，也称为图像块对，将两个相对应的n×n图像块和作为一个样本Tr(i,j)的原始特征，并分别作为两个CNN相应的输入信号，真实变化检测结果图中坐标点(i,j)的像素值作为该样本的教师信号；其中n＝9；随机提取两幅图像像素的总样本数量的一小部分1％‑5％作为训练样本集，其中X1,X2中所取到的应该是对应的像素点；再随机提取总样本数量的另一小部分1％作为验证样本集，其中X1,X2中所取到的应该是对应的像素点；其余样本作为测试样本集；步骤2：构建双通道CNN模型的网络结构普通的CNN是由多个卷积层和池化层组成，在模型中对CNN进行了改进，所述CNN仅仅使用了卷积层；卷积层是通过不同的卷积核对每层输入进行卷积操作，对于不同的卷积核，输入图像的响应强度会不同；在卷积结束后再经过激励函数就可得到下一层的输入，采用的激励函数f(x)是限制线性单元，其数学表达式为：f(x)＝max(0,x)构造两个具有相同拓扑结构的CNN，即两个CNN层数相同，对应每层的功能相同，对应的每个卷积层具有相同尺寸、相同个数的卷积核；每一层的激励函数为ReLu，最后一个卷积层不使用激励函数；每个CNN中卷积层的个数为5，每一层卷积层的卷积核大小为3×3，每层卷积核数量为先递增后递减，最多不超过100个卷积核；对于X₁,X₂中的某个坐标点(i,j)，其中网络的输入是步骤1中提取的两个n×n的图像块，并且第一个CNN只处理t₁时刻SAR图像中提取的原始特征第二个CNN只处理t₂时刻SAR图像中提取的原始特征在两个CNN的最后一个卷积层后添加一个全连接层，将两个CNN连接起来，并通过该全连接层将提取出的结果进行合并，再通过逻辑回归分类器对SAR图像进行检测；步骤3、对网络进行训练将训练样本集的原始特征送入CNN，依据逻辑回归分类器的输出对图像进行分类，计算网络分类结果与训练样本集教师信号的误差；因为训练样本较多，所以采用分批次训练；分块时，将所有样本集的顺序随机打乱，再把每m个样本放在一起作为一个批次；计算误差时，定义代价函数c为平方和函数：，其中，m表示批次的大小，取20‑100个图像块对，t_i′表示第i′个图像块对相应的教师信号，z_i′表示经网络运算后输出的第i′个图像块对的检测结果值；使用误差的反向传播算法对双通道CNN模型进行训练，计算代价函数c对权值W₁、卷积核W₂及偏置b的偏导数，然后对权值、卷积核和偏置进行调整：其中下标old表示旧的取值，下标new表示新的取值，η为学习率，η＝0.01；其中最后一层逻辑回归层的误差传回全连接层，全连接层把误差分成两部分传递给两个CNN；全连接层中来自第一个CNN模型的节点将误差传回第一个CNN模型，来自第二个CNN模型的节点将误差传回第二个CNN模型；步骤4：选取验证集进行验证使用步骤1提取的验证集对训练结果进行验证，在每一次训练完成后，可求得验证集样本的误差；当验证集的误差开始从逐渐减小变成逐渐增大时，认为整个网络已经开始过拟合，此时即可停止训练；否则返回步骤3；迭代次数在800次以内；步骤5：分类训练终止后，就可以利用训练好的基于CNN的检测网络对待测样本进行检测，得到最终变化检测结果图。