[发明专利]基于显著性分析的PCANet图像变化检测方法

摘要

本发明公开了一种基于显著性分析的PCANet图像变化检测方法。主要解决现有Automatic PCANet方法导致的训练样本过多，处理时间过长以及SAR图像的散射噪声对分类结果产生影响的问题。其实现步骤是：对两时相SAR图像获取差异图；对差异图进行显著性分析；利用门限方法提取显著区域，再次使用门限方法分类得到正样本、负样本以及不确定像素；利用PCANet提取正、负样本以及不确定像素对应的特征，用正、负样本对应特征训练支持向量机SVM模块，再将不确定像素的特征输入SVM进行最终分类。本发明与现有Automatic PCANet方法相比，检测精度及运算效率高，抗噪性能好，可用于SAR图像变化检测。

主权项

1.一种基于显著性分析的PCANet图像变化检测方法，用于SAR图像变化检测，其特征在于，包括有以下步骤：(1)产生最初差异图：输入同一区域不同时间的两组SAR图像im₁、im₂，经过中值滤波处理，然后产生这两组SAR图像的最初差异图D₁；(2)对差异图进行显著性分析求出显著值：根据显著性区域提取方法的四个参考原则对最初差异图D₁进行显著性检测，设定一个相似性度量值d(p_i,q_k)，并最终求得显著值(3)优化显著值结果：对显著值进行多尺度处理，再将多尺度处理后的显著值结果优化为并得到对应的显著图；(4)利用门限方法将显著图二值化：利用Matlab中的大津算法函数从显著值结果中找到显著图中的门限值τ，用门限方法将显著图进行二值化处理，得到二值化门限图D_s；(5)更新差异图：利用二值化门限图D_s区分出对应原图中可能变化的区域和不变的区域所在的位置，得到ds_i，然后获得更新后的差异图D₂；(6)再次利用门限方法进一步分类：利用Matlab中的大津算法函数在更新后的差异图D₂中找到差异门限值用门限方法对更新后的差异图进行三值化处理，根据处理结果在对应原图中提取正样本、负样本和不确定像素，不确定像素即为需要进一步分类的图像像素；(7)利用PCANet得到训练好的特征：利用PCANet提取正、负训练样本对应的特征，再利用PCANet提取不确定像素对应的特征；(8)利用SVM进行分类：利用训练好的正、负样本对应的特征训练支持向量机SVM，再将PCANet提取的不确定像素的特征输入支持向量机SVM中进行正、负样本的最后分类，得到两时相SAR图像最终的变化检测结果。