[发明专利]基于网络结构优化的SAR图像变化区域检测方法

摘要

本发明公开了一种基于网络结构优化的合成孔径雷达SAR图像变化区域检测方法，主要解决现有技术无法提取合成孔径雷达SAR图像的局部特征，需要人工输入学习误差值进行测试的问题。本发明的具体步骤如下：(1)读入合成孔径雷达SAR图像；(2)归一化处理；(3)构建变化检测矩阵；(4)更新变化检测矩阵；(5)选择训练样本集；(6)搭建堆栈自动编码器网络；(7)训练堆栈自动编码器网络；(8)优化堆栈自动编码器网络；(9)构建概率矩阵；(10)更新概率矩阵；(11)获得变化检测图像。本发明提取了合成孔径雷达SAR图像的局部特征，提高了变化检测的精度。

主权项

1.一种基于网络结构优化的合成孔径雷达SAR图像变化区域检测方法，其特征在于，该方法是构建一个堆栈自动编码器网络，将合成孔径雷达SAR图像的每一个像素点与其周围邻域的像素点输入堆栈自动编码器网络，使用粒子群算法，优化堆栈自动编码器网络的结构，得到图像的局部特征，用局部特征对所有像素点进行分类，得到最终的变化检测结果图，该方法的具体步骤包括如下：(1)读入合成孔径雷达SAR图像：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；(2)归一化处理：使用归一化公式，对读入的合成孔径雷达SAR图像I1和I2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'；(3)构建变化检测矩阵：(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5×5邻域的25个像素点，作为检测子矩阵M1的行向量；(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5×5邻域的25个像素点，作为检测子矩阵M2的行向量；(3c)构建一个变化检测矩阵M，该变化检测矩阵M的行数等于检测子矩阵M1的行数和检测子矩阵M2的行数之和，该变化检测矩阵M的列数等于检测子矩阵M1的列数，将该变化检测矩阵M的每一个元素的初始值设置为0；(4)更新变化检测矩阵：将检测子矩阵M1与检测子矩阵M2的所有行向量，依次存放到变化检测矩阵M的行向量中，组成更新后的变化检测矩阵；(5)选择训练样本集：(5a)从更新后的变化检测矩阵中随机选择一个行向量，作为一个训练样本；(5b)从更新后的变化检测矩阵中随机选择行向量总数的75％的行向量，组成一个训练样本集；(6)搭建堆栈自动编码器网络：(6a)搭建一个5层堆栈自动编码器网络，其结构为：输入层→第一个隐藏层→第二个隐藏层→第三个隐藏层→输出层，其中，堆栈自动编码器网络的每一个隐藏层的结构为一个自动编码器；(6b)设置堆栈自动编码器网络的每一层参数如下：将输入层的节点总数设置为50，将第一个隐藏层的节点总数设置100，将第二个隐藏层的节点总数设置为50，将第三个隐藏层的节点总数设置为25，将输出层的节点数设置为1；(7)训练堆栈自动编码器网络：将训练样本集的样本，依次输入到堆栈自动编码器网络中，逐层训练堆栈自动编码器网络；(8)使用粒子群算法，逐层优化训练好的堆栈自动编码器网络：(8a)将每一个权重粒子变量的初始值设置为0；(8b)用每一个自动编码器的每一个权重值w1，更新每一个权重粒子变量的值；(8c)将每一个偏差粒子变量的初始值设置为0；(8d)用每一个自动编码器的每一个偏差值b1，更新每一个偏差粒子变量的值；(8e)按照下式，计算一个权重粒子变量的适应度最小值：p1＝min{f11,f12,...,f1N}其中，p1表示一个权重粒子变量的适应度最小值，min表示取最小值操作，f11表示第1个权重粒子值适应度，f12表示第2个权重粒子值的适应度，N表示一个自动编码器权重值的总数，f1N表示第N个权重粒子值的适应度；(8f)按照下式，计算一个偏差粒子变量的适应度最小值：p2＝min{f21,f22,...,f2M}其中，p2表示一个偏差粒子变量的适应度最小值，f21表示第1个偏差粒子值的适应度，f22表示第2个偏差粒子值的适应度，M表示一个自动编码器偏差值的总数，f2M表示第M个偏差粒子值的适应度；(8g)将一个优化代数变量的初始值设置为0；(8h)将每一个权重粒子值的更新前速度的初始值设置为0；(8i)将每一个权重粒子值的更新后速度的初始值设置为0；(8j)将每一个权重粒子值更新前的初始值设置为0；(8k)将每一个权重粒子值的更新后的初始值设置为0；(8l)将每一个偏差粒子值的更新前速度的初始值设置为0；(8m)将每一个偏差粒子值的更新后速度的初始值设置为0；(8n)将每一个偏差粒子值更新前的初始值设置为0；(8o)将每一个偏差粒子值的更新后的初始值设置为0；(8p)按照下式，计算每一个权重粒子值的更新后速度值：v2i＝v1i+c1×r1×(p1‑w1i)+c2×r2×w1i,其中，v2i表示第i个权重粒子值的更新后速度值，i∈{1,2,...,N}，∈表示属于符号，{}表示集合符号，v1i表示第i个权重粒子值的更新前速度值，c1表示取值为2的局部学习速率值，r1表示一个介于0到1之间的随机数，w1i表示第i个权重粒子值更新前的值，c2表示取值为2的全局学习速率值，r2表示一个介于0到1之间的随机数；(8q)将第j个权重粒子值更新前的值w1j加上第j个权重粒子值的更新后速度值v2j，j∈{1,2,...,N}，得到第j个更新值h2j；(8r)利用第j个更新值h2j更新第j个权重粒子值w2j；(8s)按照下式，计算每一个偏差粒子值的更新后速度值：v4t＝v3t+c3×r3×(p2‑b1t)+c4×r4×b1t,其中，v4t表示第t个偏差粒子值的更新后速度值，t∈{1,2,...,M}，v3t表示第t个偏差粒子值更新前速度值，c3表示局部学习速率的值，r3表示一个介于0到1之间的随机数，b1t表示第t个偏差粒子值更新前的值，c4表示全局学习速率的值，r4表示一个介于0到1之间的随机数；(8t)将第k个偏差粒子值更新前的值b1k加上第k个偏差粒子值的更新后速度值v4k，k∈{1,2,...,M}，得到第k个更新值h2k；(8u)利用第k个更新值h2k更新第k个权重粒子值b2k；(9)构建概率矩阵：构建一个概率矩阵，概率矩阵的行数等于变化检测矩阵的行数，概率矩阵的列数等于变化检测矩阵的列数，该概率矩阵的每一个元素的初始值是0；(10)更新概率矩阵：(10a)将更新后的变化检测矩阵的每一个元素，依次输入到优化好的堆栈自动编码器网络中，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；(10b)遍历概率矩阵中的每一个元素，若元素的值大于等于0.5，则执行步骤(10c)，否则，执行步骤(10d)；(10c)将元素的值更新为255；(10d)将元素的值更新为0；(10e)概率矩阵中的每一个元素更新完后，得到更新后的概率矩阵；(11)获得变化检测图像：将更新后的概率矩阵的所有元素值作为像素灰度值，利用Matlab中的imshow函数，将像素灰度值转化为变化检测图像。