[发明专利]基于自步学习的SAR图像变化区域检测方法

摘要

本发明公开了的一种自步学习的合成孔径雷达SAR图像变化区域检测方法，主要解决现有技术对合成孔径雷达SAR图像的斑点噪声敏感，易造成合成孔径雷达SAR图像的部分纹理信息丢失的问题。本发明的具体步骤如下：(1)读入合成孔径雷达SAR图像；(2)归一化；(3)构建变化检测矩阵；(4)选择训练样本集；(5)训练深度信念网络；(6)构建概率矩阵；(7)更新概率矩阵；(8)获得变化检测图像。本发明有效利用原始图像的局部信息和深度信念网络的自学习能力减少了斑点噪声，保留了图像局部信息，提高了变化检测的精度。

主权项

1.一种基于自步学习的合成孔径雷达SAR图像变化区域检测方法，其特征在于，包括如下步骤：/n(1)读入合成孔径雷达SAR图像：/n读入同一地区不同时相的两幅已配准且校正的合成孔径雷达SAR图像I₁和I₂；/n(2)归一化：/n使用归一化公式，对合成孔径雷达SAR图像I₁和I₂分别进行归一化处理，得到归一化后的合成孔径雷达SAR图像I₁'和I₂'；/n(3)构建变化检测矩阵：/n(3a)将归一化后的合成孔径雷达SAR图像I₁'的每一个像素点与其周围3×3邻域的9个像素点作为检测子矩阵M1的行向量，组成一个检测子矩阵M1；/n(3b)将归一化后的合成孔径雷达SAR图像I₂'的每一个像素点与其周围3×3邻域的9个像素点作为检测子矩阵M2的行向量，组成一个检测子矩阵M2；/n(3c)将检测子矩阵M1和检测子矩阵M2的所有行向量，依次存放在变化检测矩阵的行向量中，组成一个变化检测矩阵；/n(4)选择训练样本集：/n(4a)从变化检测矩阵中随机选择一个行向量，作为一个训练样本；/n(4b)除变化检测矩阵中所选行向量外，从变化检测矩阵中分别随机选择行向量总数的15％，30％，45％，60％，75％的行向量，组成5个训练样本集；/n(5)训练深度信念网络：/n将5个训练样本集的不同样本，依次输入到深度信念网络中，训练深度信念网络；/n(6)构建概率矩阵：/n将变化检测矩阵的每一个元素及其周围3×3邻域元素，依次输入到训练好的深度信念网络中，得到每一个元素的变化概率，将变化概率保存到概率矩阵中；/n(7)更新概率矩阵：/n(7a)判断概率矩阵中的每一个元素是否大于等于0.5，若是，则执行步骤(7b)，否则，执行步骤(7c)；/n(7b)将元素的值更新为255后执行步骤(8)；/n(7c)将元素的值更新为0后执行步骤(8)；/n(8)获得变化检测图像：/n将更新的概率矩阵中的所有元素值作为像素灰度值，将像素灰度值转化为变化检测图像。/n