[发明专利]基于深信度网络的多目标优化SAR图像变化检测方法

摘要

本发明公开了的一种基于深信度网络的多目标优化SAR图像变化检测方法，主要解决现有技术斑点噪声较大，不能保持SAR图像局部信息和分类准确度低的问题，其技术方案是：对输入的两幅SAR图像Y₁和Y₂采用波动参数划分的方法产生原始差异图D₁；再对原始差异图D₁去噪得到去噪差异图D₂；由原始差异图D₁和去噪差异图D₂构造两个目标函数，并计算得到这两个目标函数的函数值同时最小的解集，进而得到多个二值图像Q_k；由二值图像Q_k和训练好的深信度网络得到最终的变化检测图像R_k。本发明减少了斑点噪声，保留了图像局部信息，提高了分类的准确度，可应用于遥感、医疗诊断、视频监控。

主权项

1.一种基于深信度网络的多目标优化SAR图像变化检测方法，包括：(1)输入两幅同一地区不同时段的SAR图像Y₁和Y₂，并对其进行滤波处理，得到滤波处理后的两幅图像I₁和I₂；(2)根据滤波处理后的两幅图像I₁和I₂产生原始差异图D₁；2a)定义原始差异图的参数：2a1)定义小值像素接近函数表示I₁(x)和I₂(x)中较小的像素与其邻域Ω_x中的像素的接近程度，其中I₁(x)和I₂(x)分别表示滤波处理后的两幅图像I₁和I₂在x处的灰度值，N为滤波处理后的两幅图像I₁和I₂在位置x处邻域中像素点的个数；2a2)定义大值像素接近函数表示I₁(x)和I₂(x)中较大的像素与其邻域Ω_x中的像素的接近程度；2a3)定义波动参数h在0～10范围内；2b)根据2a)定义的参数关系，计算原始差异图D₁在位置x处的灰度值D₁(x),其中x＝1,2,...,M,M是原始差异图D₁像素点的总个数；2c)根据2b)中计算出的每个像素点的灰度值D₁(x)得到原始差异图D₁；(3)对原始差异图D₁进行滤波得到去噪差异图D₂，并根据原始差异图D₁和去噪差异图D₂构造两个不同的目标函数f₁(vⁱ₁,vⁱ₂)和f₂(vⁱ₁,vⁱ₂)，并计算得到这两个目标函数的函数值同时最小的解集，由这个解集得到二值图像Q_k,k＝1,2,...,100；(4)由已知的变化参考图像S训练深信度网络，得到训练好的深信度网络，按如下步骤进行：4a)随机初始化深信度网络的权重W_a^z和偏置B_a^z，其中W_a^z表示第z层第a个单元的权重，B_a^z表示第z层第a个单元的偏置，z＝1,2,3，a＝1,2,...,100；4b)由变化参考图像S得到每个像素点的灰度值S(x),x＝1,2,...,M,由S(x)得到每个像素点被划分为变化类的概率P₁(x)和每个像素点被划分为不变化类的概率P₂(x)；4c)由P₁(x)和P₂(x)反向传播得到更新后的权重和偏置；4d)由更新后权重和偏置构成训练好的深信度网络；(5)由二值图像Q_k和训练好的深信度网络，得到最终的变化检测图像R_k，按如下步骤进行：5a)由二值图像Q_k得到其每个像素点的灰度值Q_k(x)及Q_k(x)的3×3邻域的像素点的灰度值δ_θ,θ＝1,2,...,9；5b)将δ_θ输入到已训练好的深信度网络中，得到像素点x被分类到变化类的概率p₁(x)和被分类到不变化类的概率p₂(x)；5c)由变化的概率p₁(x)和不变化的概率p₂(x)得到像素点x的分类，进而得到图像中Q_k所有点的分类；5d)根据Q_k所有点的类别得到变化检测图像R_k中的每个像素点灰度值：如果Q_k中点的分类是变化的类，则将R_k中对应点的像素值设为255；如果Q_k中点的分类是不变化的类，则将R_k中对应点的像素值设为0；5e)根据R_k中的每个像素点灰度值得到最终的变化检测图像R_k。