[发明专利]基于深度神经网络的超像素级SAR图像变化检测方法

摘要

本发明公开一种基于深度神经网络的超像素级SAR图像变化检测方法，步骤包括：1)用超像素分割两幅原始图像；2)精细化分割，使得分割后两幅图像得到相同的超像素分割轮廓；3)计算两幅原始图像的差异图，用传统变化检测方法得到初始变化检测结果图；4)分割初始变化检测结果图，得到每个超像素块的标签；5)建立堆栈去噪自编码深度神经网络模型；6)将两幅原始图像对应位置的超像素块叠加为列向量，作为训练样本输入到深度神经网络中训练；7)调整深度神经网络参数；8)将两幅原始图像对应位置的超像素块叠加为列向量，输入到训练好的神经网络中得到变化结果。本发明解决了现有像素级变化检测计算量大，目标级变化检测准确度低的问题。

主权项

基于深度神经网络的超像素级SAR图像变化检测方法，其特征在于，包括如下步骤：(1)对两幅原始图像进行超像素分割，分别得到分割后的图像SI1、SI2和分割轮廓C1、C2；(2)根据两幅原始图像的分割轮廓，进一步进行精细化分割，使得两幅图像得到相同的精细化分割轮廓C和精细化分割后图像S1和S2，并且两幅图像都得到M个对应的超像素块；(3)求两幅原始图像的差异图，用阈值法或模糊聚类法变化检测方法得到初始变化检测结果图；(4)使用精细化分割轮廓C去分割初始变化检测结果图，并统计被分割的初始变化检测结果图中每个超像素块中变化与未变化的像素点数目，如果变化的像素点数目大于80％，则该超像素块的标签为变化类，如何未变化的像素点数目大于80％，则该超像素块的标签为未变化类；否则该超像素块为不确定；(5)建立堆栈去噪自编码深度神经网络模型；(6)将S1和S2中有确定标签的对应位置的超像素块分别取出，叠加成列向量，输入到建立的堆栈去噪自编码深度神经网络模型中训练；(7)根据初始变化检测结果图得到的标签，使用反向传播算法调整堆栈去噪自编码深度神经网络模型中各个神经元之间的连接权重，得到最终训练好的模型；(8)再次将S1和S2对应位置的所有超像素块分别叠加成列向量，输入到训练好的堆栈去噪自编码深度神经网络模型中，深度神经网络模型将判断对应的超像素块是变化的还是未变化的，最终输出变化检测结果的二值图。