【技术实现步骤摘要】
一种基于图神经网络的变化检测方法
本专利技术涉及雷达图像变化检测领域，具体涉及一种基于图神经网络的变化检测方法。
技术介绍
多时相合成孔径雷达(SyntheticApertureRadar,SAR)图像变化检测技术被广泛应用于环境检测、城市研究和森林资源管理检测等对地观测任务，相较于光学图像，SAR图像变化检测技术常常遭到固有斑点噪声的干扰。克服斑点噪声的影响精准检测变化极为重要。由于具有地面参考图的多时相SAR图像极为匮乏，难以获得大量具有标签的训练样本，监督学习的方法往往不适用于SAR图像变化检测，目前无监督学习方法被广泛应用于此领域，其主要步骤包括：1)预处理；2)生成差分图像(Differenceimage,DI)；3)差分图像分析。其中预处理阶段主要包括图像去噪和几何配准。生成差分图像的步骤旨在为后面的过程提供有价值的指导，其中减法和比率运算符是两种经典方法，可以很容易地找到微弱变化区域的细节。此外，对数比是更受欢迎的方法，因为它可以将乘性斑点噪声转换为加性噪声，这对SAR图像更为有效。整合局部空间...
【技术保护点】
1.一种基于图神经网络的变化检测方法，其特征在于，包括：/nS1、获取二时相SAR图像I
【技术特征摘要】
1.一种基于图神经网络的变化检测方法，其特征在于，包括：
S1、获取二时相SAR图像I1和I2；
S2、基于I1和I2生成三通道图像整合了对数比图像、组合差分图像及基于多尺度超像素重建的差分图像；
S3、从三通道图像中提取超像素，计算超像素件的相似度，构建图G(V,E)，V表示图的节点，E表示图的边；
S4、利用变分图自动编码器网络提取图G(V,E)的非局部空间特征表示；
S5、利用k-means聚类算法基于非局部空间特征表示对每一个超像素进行分类。
2.如权利要求1所述的基于图神经网络的变化检测方法，其特征在于，步骤S2中包括：
式中，和分别表示第1、第2和第3通道的差分图像，Rec(·)表示基于多尺度超像素重建的差分图像的方法，mean(·)和median(·)表示均匀滤波和中值滤波。
3.如权利要求1所述的基于图神经网络的变化检测方法，其特征在于，步骤S3包括：
S301、利用简单线性迭代聚类分割三通道图像得到N个超像素的集合和分别为第1、第2和第3通道的超像素；
S302、将每个超像素重塑为M维特征向量，得到超像素向量集合{X1,X2,X3}，X1、X2和X3分别表示从三个差分图像和获得的超像素特征向量，表示为M是所有超像素中的最大像素数，表示Xc中的第n个元素，c＝1,2,3；
S303、按下式计算超像素向量之间的相似性：
式...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。