[发明专利]基于上下文显著性检测与SAE的SAR图像变化检测方法

摘要

基于上下文显著性检测与SAE的SAR图像变化检测方法，输入同一地区的两个时相SAR图像；计算对数比值差异图；基于上下文显著性检测算法提取差异图的显著性区域；根据差异图的显著性区域掩模掉两个时相SAR图像的背景，获得掩模后SAR图像；基于模糊C均值聚类提取掩模后SAR图像的变化区域，获得伪标签训练样本；利用掩模后SAR图像和伪标签训练样本进行多层稀疏自动编码器的训练；采用训练好的网络提取最终的SAR图像变化区域。本发明可以有效克服相干斑噪声对SAR图像变化检测的影响，同时设计了多层稀疏自动编码器，提取了SAR图像有效的变化特征，能够提高变化检测的准确度，可用于多时相SAR图像变化检测等技术领域。

主权项

1.一种基于上下文显著性检测与SAE的SAR图像变化检测方法，其特征在于，步骤如下：(1)输入同一地区的两个时相SAR图像：输入同一地区的两个时相SAR图像进行图像配准，获得预处理后的两个时相SAR图像A和B；(2)计算对数比值差异图：计算两个时相SAR图像A和B的对数比值差异图D，计算公式如下：(3)基于上下文显著性检测算法提取差异图的显著性区域：(3a)将对数比值差异图D进行分块，并划分为多个尺度；(3b)在多个尺度下，根据灰度值和空间距离来计算像素块pi和pj之间的相似度其中，μ表示位置距离权重因子；再计算中心像素块在尺度r下的显著值其中，M表示中心像素块的相似性图像块个数；(3c)加入上下文像素进行中心像素块的显著性修正，计算如下其中，[·]表示规范化运算符，将当前尺度将图片变为原图片大小，表示在尺度r下像素i和最近的像素i_nearest的归一化位置距离；得到每个中心像素的显著值后，生成最终的显著性图；(4)掩模两个时相SAR图像的背景：(4a)选取阈值对显著性图进行二值化，即获得0‑1二值图，0表示不显著区域，1表示显著区域；(4b)利用二值图对两个时相SAR图像A和B进行掩模处理，去掉背景无变化部分，获得掩模后SAR图像A’和B’；(5)基于模糊C均值聚类提取掩模后SAR图像的变化区域：(5a)计算掩模后SAR图像A’和B’的邻域比值差异图D’，计算公式为其中，第一项为像素点之间的比值差异，第二项为像素点邻域的比值差异，θ表示图像A’和B’之间的方差和均值，Ω表示像素点的邻域；(5b)采用模糊C均值聚类将对数比值差异图D’分为三类，分别表示无变化类、中间不确定类、变化类；(5c)从无变化类和变化类中选取p％的样本构成伪标签训练样本集合；(6)利用掩模后SAR图像和伪标签样本集合训练多层SAE：(6a)构建三层SAE网络，随机初始化网络的权重和偏置参数(6b)利用伪标签训练样本集合逐层预训练各层网络，设伪标签训练样本的特征为xi，标签为yi，对第k层SAE的编码过程为：SAE解码过程为：SAE的预训练损失函数为：其中，上式第一项为编解码的重建误差，旨在使得网络的解码输出尽量逼近编码前输入，第二项为权重约束项，旨在防止权重过大，第三项为稀疏限制项，旨在保证隐含单元的稀疏性；表示编码的权重和偏置，表示解码的权重和偏置，表示该层网络的输入，表示该层网络的隐含输出，表示该层网络的解码输出；f(·)和g(·)分别表示编码和解码的激活函数，KL(·)表示Kullback–Leibler散度，ρ为稀疏度参数，表示第m个隐含单元的平均激活值，M_k表示隐含单元数目，N表示训练样本数目，λ和α表示平衡因子，||·||_F表示Forbenius范数；利用梯度下降法进行优化，得到预训练的网络参数和第三层SAE的隐含输出，隐含输出作为优化后的样本特征(6c)将优化后的样本特征和伪标签输入到softmax分类器，训练得到softmax分类器的权重和偏置参数，损失函数为其中，上式第一项表示预测误差，第二项表示权重惩罚项；表示分类器预测结果，W⁴表示softmax分类器的权重，λ表示平衡因子；利用反向传播算法求解该目标方程，获得softmax的参数；(6d)利用伪标签训练样本集合对softmax分类器和三层SAE进行参数的反向微调，实现的损失函数为：其中，上式第一项为整个网络的平均重建误差，第二项为权重约束项；表示第k层网络的隐含输出，表示第k层网络的输入；利用反向传播算法进行优化；(7)采用训练好的网络提取最终的SAR图像变化检测结果：(7a)将整个掩模后图像的样本集输入到三层SAE中，第三层SAE的隐含输出作为优化后的样本特征(7b)将优化后的样本特征输入到softmax分类器，得到预测概率如下：其中，和对应第j类的部分权重和偏置，和对应第c类的部分权重和偏置；最后，样本x_i的预测标签如下：(7c)根据预测标签向量和空间位置，绘制最后的SAR图像变化检测结果图。