多层限制玻尔兹曼机的SAR图像正负类变化检测方法技术

本发明专利技术公开了一种多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，包括如下步骤：步骤101：开始基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法；步骤102：对两幅已配准的同一地区不同时相的SAR图像构造三类差异图；步骤103：对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果；步骤104：根据变化检测结果选择可能性大的非噪声点作为改进的多层限制玻尔兹曼机的训练样本，训练改进的多层限制玻尔兹曼机；步骤105：将待检测图像输入训练好的网络中，得到最终的变化检测结果图。本发明专利技术将变化类细分为正变化，负变化与未变化三类，提高了变化检测的精度。

Positive and negative class change detection method for SAR image of multilevel Boltzmann machine

The invention discloses a SAR image segmentation of positive and negative changes in multilayer limit Boltzmann machine detection method, which comprises the following steps: step 101: start detection method of SAR image segmentation of positive and negative changes in restricted Boltzmann machine based on multilayer; step 102: the registration of two images of the same area in different SAR images of three types of tectonic facies the difference map; step 103: the difference of image fuzzy C clustering to obtain three kinds of variation rough detection result; step 104: according to the results of change detection of non noise points the possibility of the limit as a multilayer improved machine Boltz Mann training samples, training the multilayer improved limit of Boltzmann machine; step 105: the network detection the trained image input, get the final change detection map. The invention subdivides the change class into positive change, negative change and unchanging three types, and improves the accuracy of change detection.

【技术实现步骤摘要】
多层限制玻尔兹曼机的SAR图像正负类变化检测方法
本专利技术属于计算机
，主要解决也遥感图像变化检测问题，本专利技术由两幅不同时相的遥感图像得到三类差异图像，再利用多层限制玻尔兹曼机对三类差异图进行分类完成遥感图像的变化检测。本专利技术可以应用于自然灾害检测与救援时灾区遥感图像的变化检测，城市发展规划，地质研究等领域，完成对特定地区的遥感图像的变化进行检测。
技术介绍
合成孔径雷达(SyntheticApertureRadar，SAR)具有分辨率高、全天候工作、有效识别伪装和穿透掩盖物等特点，已经广泛应用于军事，科研和工农业生产领域。SAR图像变化检测是通过分析在不同时间的来自同一地区的两幅或者多幅图像，通过技术手段从而检测出此地区的地物随时间发生的变化的信息。对遥感图像进行处理，从中提取出有用的信息，并促进其转化成为更有价值的知识，从而为有关部门做出相应的、准确的、快速的决策提供丰富且有益的辅助信息。遥感图像应用处理和分析技术是一个非常有意义且十分重要的应用，而这些应用的不断需求促使了遥感图像变化检测技术的产生和发展。SAR图像的变化检测的研究方法可分为两种：(1)分类后比较法即对两幅已配准的图像先进行分类，通过比较分类结果得出变化部分(2)差异图分类法即先对两幅已配准的图像生成差异图，在对差异图进行分析，得出变化部分与未变化部分，生成差异图和分析差异图像是这几年研究的重点，目的是尽量减小相干斑噪声对SAR图像的影响，这种方法研究的空间大，思路简洁清晰，是当前比较流行的处理方法。经典的处理变化检测问题的流程：(1)预处理；(2)生成差异图；(3)分析差异图，常用的差异图的分析方法有四种，阈值分析，图切分析和水平集分析，传统的分析方法存在以下缺点(1)通过优化目标函数来进行图像分类往往会陷入局部最优解；(2)基于固定而复杂的公式进行迭代限制了算法的应用；(3)算法没有学习能力，分类的能力有限；在机器学习中，变化检测问题是一种分类不均衡的问题，可以演化为增量学习问题，神经网络是解决这类问题的最佳方案。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的不足，提供一种基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，该方法在传统变化检测的基础上细化了变化分类，并利用多层限制玻尔兹曼机(RBM)获得变化检测结果。该方法思路简单明确，有效的提高了遥感图像变化检测的精度。实现本专利技术目的的技术方案是通过构造两幅SAR图像三类差异图，利用模糊C均值(FCM)对差异图进行聚类获得粗糙的三类变化检测结果，选择非噪声点作为训练样本训练多层RBM网络，利用训练好的网络测试样本获得最终变化检测的结果。其具体实施步骤包括如下：步骤101：开始基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法；步骤102：对两幅已配准的同一地区不同时相的SAR图像构造三类差异图；步骤103：对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果；步骤104：根据变化检测结果选择可能性大的非噪声点作为改进的多层限制玻尔兹曼机的训练样本，训练改进的多层限制玻尔兹曼机；步骤105：将待检测图像输入训练好的网络中，得到最终的变化检测结果图；步骤106：结束基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法；所述步骤102，包括如下步骤：步骤201：开始构造三类变化检测的差异图；步骤202：按照下式，构造三类变化检测的差异图：其中，X表示已配准的同一地区不同时刻的两幅遥感图像的差异图，log表示以10为底的对数操作，X1和X2分别表示已配准的同一地区不同时刻的两幅遥感图像；若X2大于X1，对数比图像的像素呈正值，代表了正变化；若X2小于X1，对数比图的像素呈负值，代表了负变化；步骤203：结束构造三类变化检测的差异图；所述步骤103，包括如下步骤：步骤301：开始模糊C均值聚类的分类算法；步骤302：对每个像素点用值在O～1间的隶属度来确定其属于各个类别的程度。隶属矩阵U允许有取值在[0,1]间元素。归一化处理后隶属度的和总等于1，其中,N表示差异图的像素的个数，i表示对差异图模糊聚类后的类别,j表示对差异图的像素的序号，uij表示差异图的第j个像素在第i类上的隶属度，初始化隶属矩阵U，使其满足约束条件步骤303：按照下式，计算差异图的聚类中心ci：其中，N表示差异图的像素的个数，ci表示差异图的第i类的聚类中心，uij表示差异图的第j个像素在第i类上的隶属度，xj表示差异图的第j个像素的特征。步骤305：按照下式，计算差异图的隶属度：步骤306：按照下式，计算模糊C均值方法的目标函数值：其中,dij＝||ci-xj||表示差异图的第i个聚类中心到第j个像素的欧氏距离。判断迭代前后目标函数值的最大改变量是否小于0.00001，若是，停止迭代，否则，计算新的隶属矩阵U，并执行步骤303；步骤306：结束模糊C均值聚类的分类算法；所述步骤104，包括如下步骤：步骤401：开始选择多层限制玻尔兹曼机训练样本的算法；步骤402：在得到的初始变化检测结果图上，以位置(i,j)的像素为中心像素，取的5×5窗口，像素总个数为N＝25；步骤403：按照公式其中Pij是要预测的像素点(i,j)，Pxy是以像素点(i,j)为中心像素的窗口内的像素点，N(x)是在满足条件x的像素个数，并令λ＝0.5；步骤404：按照步骤403对初始变化检测结果图上每一个位置进行判断，当满足步骤403中的公式时即为非噪声点的位置，作为训练样本；步骤405：结束选择多层限制玻尔兹曼机训练样本的算法；所述步骤105，包括如下步骤：步骤501：开始多层改进多层限制玻尔兹曼机的训练算法；步骤502：建立带有1层卷积层和5层RBM的深度神经网络，利用在粗糙的三类变化检测结果中选择出训练样本训练网络，通过逐层训练，最后一层RBM的输出作为整个网络的输出；步骤503：将输出进行反向传播网络的训练，将训练预测输出的分类结果与训练样本实际分类结果的误差逐层向后传播，对改进的多层限制玻尔兹曼机各层的连接权值调优，确定整个网络的连接权值和偏置参数；步骤504：结束多层改进多层限制玻尔兹曼机的训练算法，获得最终训练好的多层限制玻尔兹曼机；本专利技术与现有的技术相比具有以下优点：第一，由于本专利技术突破了传统的SAR图像变化检测方法，将差异图分为三类进行分析，正变化，未变化和负变化三类，思路简单明确，使得本专利技术具有保留变化检测结果细节较为丰富，精度较高的优点。第二，本专利技术将卷积神经网络的局部感受野引入到的多层限制玻尔兹曼机的网络结构中，在多层限制玻尔兹曼机的网络结构的第一层引入了卷积层，提出一种改进的多层限制玻尔兹曼机的方法。卷积神经网络中的卷积层起到了有效的局部特征提取的作用，改进了限制玻尔兹曼机没有特征提取的功能，使得结果稳定，正确率高。附图说明图1是基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测的流程图；图2是第一组实验仿真图，图2(a)和图2(b)的拍摄时间分别为2008.08和2009.08，大小均为290×290；图3是对应图2的三类变化检测结果对比，图3(a)，图3(b)分别表示基于FCM的三类变化检测图和本专利技术方法的三类变化检测结果图；图4是第二组实验仿真图，图4(a)和图4(b)本文档来自技高网...

【技术保护点】
一种基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征是：包括如下步骤：步骤101：开始基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法；步骤102：对两幅已配准的同一地区不同时相的SAR图像构造三类差异图；步骤103：对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果；步骤104：根据变化检测结果选择可能性大的非噪声点作为改进的多层限制玻尔兹曼机的训练样本，训练改进的多层限制玻尔兹曼机；步骤105：将待检测图像输入训练好的网络中，得到最终的变化检测结果图；步骤106：结束基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法。

【技术特征摘要】
2016.03.23 CN 20161016786181.一种基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征是：包括如下步骤：步骤101：开始基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法；步骤102：对两幅已配准的同一地区不同时相的SAR图像构造三类差异图；步骤103：对差异图进行模糊C均值聚类获得粗糙的三类变化检测结果；步骤104：根据变化检测结果选择可能性大的非噪声点作为改进的多层限制玻尔兹曼机的训练样本，训练改进的多层限制玻尔兹曼机；步骤105：将待检测图像输入训练好的网络中，得到最终的变化检测结果图；步骤106：结束基于多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法。2.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征在于，所述步骤102按照下式构造三类变化检测的差异图：其中，X表示已配准的同一地区不同时刻的两幅遥感图像的差异图，log表示以10为底的对数操作，X1和X2分别表示已配准的同一地区不同时刻的两幅遥感图像；若X2大于X1，对数比图像的像素呈正值，代表了正变化；若X2小于X1，对数比图的像素呈负值，代表了负变化。3.根据权利要求1所述的多层限制玻尔兹曼机的SAR图像细分正负类变化检测方法，其特征在于，所述步骤103，包括如下步骤：步骤301：开始模糊C均值聚类的分类算法；步骤302：对每个像素点用值在O～1间的隶属度来确定其属于各个类别的程度；隶属矩阵U允许有取值在[0,1]间元素；归一化处理后隶属度的和总等于1，其中,N表示差异图的像素的个数，i表示对差异图模糊聚类后的类别,j表示对差异图的像素的序号，uij表示差异图的第j个像素在第i类上的隶属度，初始化隶属矩阵U，使其满足约束条件；步骤303：按照下式，计算差异图的聚类中心ci：其中，N表示差异图的像素的个数，ci表示差异图的第i类的聚类中心，u...

【专利技术属性】
技术研发人员：公茂果，李思湉，刘嘉，李豪，赵秋楠，马文萍，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61