[发明专利]基于金字塔池化孪生网络的SAR图像变化检测方法

摘要

本发明提供了一种基于金字塔池化孪生网络的SAR图像变化检测方法，主要解决传统方法中变化检测精度依赖于差异图而导致结果不准确的问题。其实现步骤是：1)生成训练样本、测试样本和样本标签；2)构建深度金字塔池化孪生网络；3)构建分类网络；4)使用训练样本和样本标签对深度金字塔池化孪生网络和分类网络进行训练，得到训练好的模型；5)用训练好的模型对测试样本进行测试，得到变化检测结果。本发明能避免使用差异图，有效解决了差异图对变化检测结果的影响，提高了变化检测的准确率，可用于环境检测和灾害检测。

主权项

1.一种基于金字塔池化孪生网络的SAR图像变化检测方法，其特征在于，包括如下/n(1)输入同一地区不同时相的两幅SAR图像，生成训练样本、测试样本和样本标签；/n(2)构建由两个结构、参数完全相同的金字塔池化网络组成的深度金字塔池化孪生网络，每一个金字塔池化网络包括如下三部分：/n第一部分是卷积神经网络，其结构依次为，输入层→第一层卷积层→第一层批量归一化层→第二层卷积层→第二层批量归一化层→第三层卷积层→第三层批量归一化层→最大池化层→dropout层；/n第二部分是金字塔池化模块，其包括四个结构相同的卷积神经网络，每个卷积神经网络表示一个级别，共有4个不同尺度级别；每个卷积神经网络结构依次为，平均二维池化层→卷积层→批量归一化层，四个网络的输出融合为金字塔池化模块的输出；/n第三部分是卷积神经网络，其结构依次为，第1层卷积层→批量归一化层→dropout层→第2层卷积层；/n(3)构建分类网络，其结构依次为，第一层全连接层→第二层全连接层→第三层全连接层；/n(4)设置深度金字塔池化孪生网络和分类网络的参数；/n(5)使用交叉熵损失函数对深度金字塔池化孪生网络和分类网络进行分阶段训练：/n(5a)将两幅时相图的训练样本和样本标签批量输入到深度金字塔池化孪生网络，进行特征提取，并将提取的特征进行成对拼接，得到拼接后的特征图；/n(5b)将拼接后的特征图输入到分类网络进行训练，直到交叉熵损失函数收敛时，训练完成，得到概率预测矩阵M；/n(6)用概率预测矩阵M对测试样本进行测试，得到变化检测结果。/n