[发明专利]基于增量CAE的高分辨SAR图像变化检测方法

摘要

本发明公开了一种基于增量CAE的高分辨SAR图像变化检测方法，主要解决现有方法中SAR图像变化检测易受斑点噪声的影响，检测精度不高且检测速度慢的问题。本发明的具体步骤如下：(1)输入高分辨SAR图像；(2)构建初始样本集；(3)归一化；(4)构建增量卷积自编码CAE网络；(5)构建误差函数；(6)训练增量卷积自编码CAE网络；(7)获得特征差异图；(8)获得15×15像素尺度下变化检测结果图；(9)获得三个不同尺度下的变化检测结果图；(10)融合不同尺度的变化检测结果图；(10)输出高分辨合成孔径雷达SAR图像变化检测的结果图。本发明具有对SAR图像变化检测的噪声影响鲁棒性好、检测精度高和检测速度快的优点。

主权项

1.一种基于增量卷积自编码CAE的高分辨合成孔径雷达SAR图像变化检测方法，其特征在于，包括如下步骤：(1)输入高分辨合成孔径雷达SAR图像：输入同一地区不同时相的两幅已配准的高分辨合成孔径雷达SAR图像I₁和I₂；(2)构建初始样本集：对两幅高分辨合成孔径雷达SAR图像I₁和I₂进行滑窗切块，分别得到17956个15×15像素的图像块作为初始样本集D1和D2；(3)获得归一化后的样本集：通过线性缩放法，将初始样本集D1和D2的数值分别归一化到[0，1]之间，得到归一化后的样本集V1和V2；(4)构建增量卷积自编码CAE网络：构建一个含有一个输入层，三个卷积层的增量卷积自编码CAE网络；(5)构建误差函数：(5a)分别从归一化后的样本集V1和V2中随机选取5％的训练样本，得到训练样本子集W1和W2；(5b)将训练样本子集W1和W2组成训练样本集，将训练样本集输入到增量卷积自编码CAE网络中，得到重构样本集；(5c)构建训练样本集与重构样本集的误差函数；(6)训练增量卷积自编码CAE网络：(6a)用训练样本集与重构样本集的误差函数，计算训练样本集与重构样本集的误差值；(6b)在(0，1)区间，随机选取一个数作为训练终止阈值；(6c)当误差值大于训练终止阈值时，将卷积层1中卷积核的个数增加2；(6d)将增量卷积自编码CAE网络的输入层的输出数据，输入增量卷积自编码CAE网络的卷积层1，对卷积层1进行训练，得到训练好的卷积层1；(6e)利用逐层训练方法，对增量卷积自编码CAE网络的卷积层2和增量卷积自编码CAE网络的卷积层3进行训练，得到训练好的增量卷积自编码CAE网络；所述逐层训练方法的具体步骤如下：第一步，将增量卷积自编码CAE网络的卷积层1的输出数据，输入到增量卷积自编码CAE网络的卷积层2，对卷积层2进行训练，得到训练好的增量卷积自编码CAE网络的卷积层2；第二步，将增量卷积自编码CAE网络的卷积层2的输出数据，输入到增量卷积自编码CAE网络的卷积层3，对卷积层3进行训练，得到训练好的增量卷积自编码CAE网络的卷积层3；(7)获得特征差异图：(7a)分别将归一化后的样本集V1和V2中的样本全部送入训练好的增量卷积自编码CAE网络中，将卷积层3的输出作为两个归一化后的样本集的特征；(7b)将两个归一化后的样本集的特征相减，得到差值，再对差值取绝对值，得到特征差异图；(8)获得15×15像素尺度下变化检测结果图：(8a)对特征差异图中的像素值进行直方图分析，将直方图中两个峰值之间的最小值对应的像素值作为图像分割阈值；(8b)将特征差异图中像素值小于图像分割阈值的像素判归为非变化类像素；将像素值大于图像分割阈值的像素判归为变化类像素；(8c)将非变化类像素和变化类像素组合到一幅图中，得到高分辨合成孔径雷达SAR图像15×15像素尺度下的变化检测结果图；(9)利用像素尺度变换方法，修改增量卷积自编码CAE网络参数，得到三个不同尺度下的变化检测结果图；(10)利用多尺度图像融合方法，将步骤(8c)和步骤(9)共四个不同尺度的变化检测结果图融合，得到高分辨合成孔径雷达SAR图像变化检测的结果图；(11)输出高分辨合成孔径雷达SAR图像变化检测的结果图。