基于轮廓波BSPP网络的SAR图像变化检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107944353A(43)申请公布日2018.04.20(21)申请号201711102099.6(22)申请日2017.11.10(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人焦李成屈嵘杨争艳唐旭杨淑媛侯彪马文萍刘芳陈璞花古晶张丹马晶晶(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06K9/62(2006.01)权利要求书3页说明书7页附图3页(54)发明名称基于轮廓波BSPP网络的SAR图像变化检测方法(57)摘要本发明公开了一种基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，主要解决现有方法中SAR图像变化检测的检测精度不高、运算速度较慢的问题。本发明的具体步骤如下：(1)SAR图像预处理；(2)特征矩阵归一化；(3)构造训练数据集；(4)构建轮廓波BSPP感兴趣区域检测网络；(5)训练感兴趣区域检测网络；(6)构建轮廓波BSPP变化检测网络；(7)训练变化检测网络；(8)获取测试样本；(9)检测测试样本的感兴趣区域；(10)感兴趣区域的变化检测；(11)输出变化检测结果图。本发明具有对SAR图像变化检测的检测精度高和运算速度快的优点。CN107944353ACN107944353A权利要求书1/3页1.一种基于轮廓波二值空间金字塔池化BSPP网络的合成孔径雷达SAR图像变化检测方法，其特征在于，包括如下步骤：(1)对合成孔径雷达SAR图像进行预处理：(1a)将两幅配准后的同一地区不同时相的合成孔径雷达SAR图像，分别进行两级非下采样轮廓波变换，得到每幅图像的1个低频系数矩阵和3个高频系数矩阵；(1b)分别对每幅合成孔径雷达SAR图像的3个高频系数矩阵取绝对值，从3个绝对值中取最大值，作为融合后的高频系数；(1c)将低频系数矩阵与融合后的高频系数矩阵合并，得到特征矩阵；(2)对特征矩阵进行归一化处理，得到归一化后的特征矩阵；(3)构造训练数据集：(3a)从归一化后特征矩阵中有类标的区域中选取部分样本，作为训练样本；(3b)用50×50像素、55×55像素、60×60像素3个滑窗，分别从训练样本中分割出3个图像块，将分割出后的3个图像块作为轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络的输入数据；(3c)用14×14像素、16×16像素、18×18像素、20×20像素、22×22像素5个滑窗，分别从训练样本中分割出5个图像块，将分割出后的5个图像块作为轮廓波二值空间金字塔池化BSPP变化检测网络的输入数据；(4)构建轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络：(4a)搭建一个14层的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络，网络的结构如下：输入层→二值化卷积层→二值化激活层→最大池化层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→空间金子塔池化层→二值化全连接层→二值化激活层→二值化全连接层→二值化激活层→softmax分类器；(4b)将输入层的特征映射图数目设置为4个；将第2层、第5层和第7层的二值化卷积层的特征映射图数目分别设置为64个、64个和128个，与二值化卷积层对应的滤波器的尺寸分别设置为5×5像素、5×5像素和3×3像素；设置二值化激活层的激活函数为：Htanh(x)＝max(-1,min(1,x))，其中，max表示取最大值操作，min表示取最小值操作，x表示二值化激活层的输入值；将最大池化层的池化窗口设置为2×2像素；将空间金子塔池化层设置为3层，每层的参数分别为1、2和3；将二值化全连接层的特征映射图数目设置为128个，并将全连接层的参数进行二值化处理，将分类层的特征映射图数目设置为2个；(5)训练轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络：将轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络的输入数据，送入构建好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络中，训练轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络，得到训练好的轮廓波二值空间金字塔池化BSPP感兴趣区域检测网络；(6)构建轮廓波二值空间金字塔池化BSPP变化检测网络：(6a)搭建一个13层的变化检测网络，网络的结构如下：输入层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→二值化卷积层→二值化激活层→空间金子塔池化层→二值化全连接层→二值化激活层→二值化全连接层→二值化激活层→softmax分类器；2CN107944353A权利要求书2/3页(6b)将第2层、第4层和第6层二值化卷积层的特征映射图数目分别设置为64