CN103810699A - 基于无监督深度神经网络的sar图像变化检测方法 - Google Patents

Abstract

本发明提出了一种基于无监督的深度网络学习的SAR图像变化检测算法，包括如下步骤：步骤101：开始基于无监督的深度神经网络SAR图像变化检测方法；步骤102：对两幅配准后的同一地区不同时相的SAR图像进行FCM联合分类获得粗糙的变化检测结果，Ω＝{Ω¹，Ω²}；步骤103：根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本；步骤104：将待训练的样本点输入到设计好的深度神经网络中进行训练；步骤105：将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图；步骤106：结束基于无监督的深度神经网络SAR图像变化检测方法。本发明首先避免了差异图的构造环节，同时一定程度上改善了噪声的敏感问题，显著地提高了检测效果及检测的正确率。

Description

基于无监督深度神经网络的SAR图像变化检测方法

技术领域

本发明属于深度学习与遥感图像处理领域的结合，主要解决遥感图像的变化检测问题，具体提供一种基于无监督深度神经网络的SAR图像变化检测方法（DN），实现对SAR图像变化的检测。 

背景技术

自1978年以来，合成孔径雷达（synthetic aperture radar,SAR）已经掀起了雷达革命技术。其具有的分辨率高，全天时、全天候工作的特点，是可见光、红外传感器等无法比拟的，该技术已经被广泛应用于工农业生产、科研和军事等领域。SAR图像变化检测是通过对不同时期同一区域的两幅SAR图像的比较分析,根据图像之间的差异来得到所需的地物或目标变化信息。SAR变化检测的技术需求日益广泛，目前，全球环境变化加剧，城市急速发展，洪水、地震等自然灾害频频发生，这些都需要及时掌握相关动态信息，为相关决策部门提供支持，SAR图像的种种优点为快速响应提供了技术支持和应急保障。 

目前的SAR图像变化检测方法主要有两种思路：(1)先对两幅配准后图像分别进行分类，通过比较分类结果得出变化部分；(2)先对两幅配准图像做差异图，再对所得的差异图进行分类比较。前一种方法很难获得不同时相图像的不变信息具有相同类别的分类结果,且会夸大变化程度。同时,由于分类累积误差问题降低了变化检测精度。第二类方法的研究空间比较大，思路简单明确，检测精度较高，是当前比较流行的方法。但是这种方法同时也引入了一个新的问题，即差异图的构造。往往只有在得到好的差异图的基础上，检测方法才能达到良好的效果。 

常用的经典SAR图像变化检测方法有(1)基于简单代数运算的变化检测，经 典的变化检测方法包括图像差值法、图像比值法、对数比值法；(2)基于图像变换的变换检测，经典的变化检测方法包括主成份分析、变化向量分析法、相关分析法图像变换法；(3)基于图像分类的变化检测方法。 

在变化检测研究中,国内外学者们做了大量的研究。在经典的算法基础上，针对直接代数运算没有考虑到像元的空间上下文信息，误检和漏检现象严重，近年来出现了在此基础上的基于上下文空间关系的变化检测，主要从两个方面进行改进。一方面单尺度上利用差异图像的上下文关系进行进一步的优化得到变化图，如利用马尔可夫随机场对差异图进行分析，继而求得最优变化检测结果；另一方面利用差异图像的小波多尺度信息进行优化得到变化图。 

目前的SAR变化检测算法大部分为中低分辨率、象元级、单极化的SAR影像变化检测。随着SAR技术的日益成熟，图像质量逐渐提高，分辨率逐渐增强，获取数据的能力和精度越来越高，图像获取越来越便捷，SAR变化检测的前景会更加广泛。 

发明内容

本发明的目的是提供一种基于无监督深度神经网络的SAR图像变化检测方法，该方法摒弃了传统变化检测的方法，即不通过求得两幅图像的差异图，再对差异图进行分析获得检测结果，而是直接通过深度神经网络训练两幅图像获得最终变化检测结果。该方法思路简单明确，避免了差异图构造对最终结果的影响，通过深度神经网络自身的学习有效地提高了变化检测的精度。 

实现本发明目的的技术关键是通过模糊C均值(FCM)联合分类获得两幅图像的初始变化检测结果，在此基础上训练深度神经网络并通过训练好的网络获得最终的变化检测结果。首先联合分类时通过相似度计算可得到两时相图像对应位置处像素灰度相似性，然后求解全局相似度阈值，用于控制FCM联合分类器；其次，根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本，判断非噪声点时，以该点为中心取一个固定大小的邻域，改邻域内与中 心像素点属于同一类的像素个数大于该邻域内像素点总个数的一半时，则判定该像素点为非噪声点；接着，将待训练的样本点输入到设计好的深度神经网络中进行训练，网络输入由两幅图像同一位置处像素点相同邻域内的所有相像素点共同构成，网络训练时，先使用限制波尔兹曼机（RBM）进行预训练，获得初始的网络权值及偏置，然后通过基于最小化交叉熵的共轭梯度法的BP神经网络进行训练；最后，将两幅图像特征输入到训练好的网络中输出最终变化检测结果。 

本发明的技术方案是，一种基于无监督的深度神经网络SAR图像变化检测方法，其特征是：包括如下步骤： 

步骤101：开始基于无监督的深度神经网络SAR图像变化检测方法； 

步骤102：对两幅配准后的同一地区不同时相的SAR图像进行FCM联合分类获得粗糙的变化检测结果，Ω＝{Ω¹，Ω²}； 

步骤103：根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本； 

步骤104：将待训练的样本点输入到设计好的深度神经网络中进行训练； 

步骤105：将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图； 

步骤106：结束基于无监督的深度神经网络SAR图像变化检测方法。 

所述的步骤102，包括如下步骤： 

步骤201：开始FCM联合分类算法； 

步骤202：计算两幅图像X¹和X²对应位置(i,j)处像素的灰度值相似度S_ij： 

$S_{\mathrm{ij}}=\frac{|X_{\mathrm{ij}}^1-X_{\mathrm{ij}}^2|}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}$

其中，

和S_ij(S_ij∈[0,1])分别表示位置(i,j)第t时相的灰度值和两时相灰度值 的相似度；灰度值越接近，则相似度值越趋于0，变化信息的强度越小；否则相似度值越趋于1，变化信息强度越大； 

步骤203：然后采用迭代阈值法求解相似度阈值T； 

步骤204：根据方差最小原则选取分类参考点，并对该分类参考点做分类，灰度方差

定义为： 

${\mathrm{\σ}}_{\mathrm{ij}}^t={\mathrm{\ω}}_{\mathrm{ij}}^t{(X_{\mathrm{ij}}^t-E_{\mathrm{ij}})}^2$

其中，

是t时相(i,j)位置的方差，为灰度值权重， 

为灰度值加权平均，因此： 

${\mathrm{\σ}}_{\mathrm{ij}}^t=\frac{X_{\mathrm{ij}}^t}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\[X_{\mathrm{ij}}^t-\frac{{\left(X_{\mathrm{ij}}^1\right)}^2+{\left(X_{\mathrm{ij}}^2\right)}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}\]}^2$

将S_ij代入上式可得到： 

${\mathrm{\σ}}_{\mathrm{ij}}^1=X_{\mathrm{ij}}^2\frac{X_{\mathrm{ij}}^1{X}_{\mathrm{ij}}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\left(S_{\mathrm{ij}}\right)}^2$

${\mathrm{\σ}}_{\mathrm{ij}}^2=X_{\mathrm{ij}}^1\frac{X_{\mathrm{ij}}^1{X}_{\mathrm{ij}}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\left(S_{\mathrm{ij}}\right)}^2$

所以，如果

则有

那么以方差最小原则选取参考点，即以为参考点，如果S_ij≤T，即存在非变化或微变化信息，

如果S_ij＞T，即变化信息，

由于

和两幅图像的初始聚类中心一致，而且以

为参考点，所以经过多次分类后，不管是S_ij≤T还是S_ij＞T，

都保持在

的范围内，从而保持了不同时相的不变信息具有相同的类别，变化信息具有不同的类别； 

步骤205：初始化聚类中心，其中，两幅图像初始聚类中心一致，首先对参考点进行分类，并以其类别作为参考，若S_ij≤T，另一时相对应位置(i,j)像素的 类别信息与该参考点对应的类别信息一致，否则，对另一时相对应位置的像素做单独分类； 

步骤206：不断重复步骤204，对图像所有像素进行分类； 

步骤207：直到一幅图像的分类达到收敛，停止迭代分类，获得两幅图像联合分类结果； 

步骤208：结束FCM联合分类算法。 

所述的步骤103，包括如下步骤： 

步骤301：开始选择深度网络训练的样本的算法； 

步骤302：在得到的初始变化检测结果图上，以位置(i,j)像素为中心像素，取大小为5×5的窗口，像素总个数为M=25； 

步骤303：统计该窗口内与中心像素属于同一类的像素个数n； 

步骤304：如果n≤13，即窗口内像素总个数的一半，则位置(i,j)处的像素被视为噪声点，否则为非噪声点； 

步骤305：按照步骤303和步骤304对初始变化检测结果图上每一个位置进行判断，找出所有非噪声点的位置，以两时相图像上对应于非噪声点位置处的像素点为训练样本； 

步骤306：结束选择深度网络训练的样本的算法。 

所述的步骤104，包括如下步骤： 

步骤401：开始深度神经网络的训练算法； 

步骤402：待训练的样本点使用RBM预训练得到网络的初始权值和偏置，网络层数设为3个隐层，每一层节点数目分别为250,150和100，RBM每层训练50代； 

步骤403：使用基于最小交叉熵的共轭梯度BP神经网络对RBM预训练网络进行微调，训练代数取为50代； 

步骤404：获得最终训练好的神经网络； 

步骤405：结束深度神经网络的训练算法。 

本发明与现有的技术相比具有如下有益效果： 

1、本发明是在突破了传统的SAR图像变化检测方法，不做差异图，避免了差异图效果对最终变化检测结果的影响，直接通过两幅图像的操作获得最终变化检测结果，思路简单明确； 

2、本发明将神经网络的思想应用到变化检测中，融入深度学习算法，通过对特征的无监督学习，可直接用于处理两幅图像的非线性关系，从而有力地实现了变化检测的目的，而且由于先使用了RBM进行与训练，使得结果更加稳定； 

3、仿真结果表明，本发明采用的无监督深度神经网络方法实现SAR图像变化检测，检测效果优良，正确检测率高，Kappa系数高。 

附图说明

图1是基于无监督深度神经网络方法实现SAR图像变化检测的主流程图； 

图2是FCM联合分类算法流程图； 

图3选择深度神经网络训练样本的流程图； 

图4训练深度神经网络的流程图； 

图5是第一组实验仿真图，图5（a）和图5（b）的拍摄时间分别为1999.04和1999.05，大小均为301×301； 

图6是对应图5的FCM联合分类结果对比，其中图6（a），图6（b）分别表示变化检测参考图和本发明方法中FCM联合分类结果； 

图7是对应图5的深度神经网络变化检测结果； 

图8是第二组实验仿真图，图8（a）和图8（b）的拍摄时间分别为1997.05和1997.08，大小均为290×350； 

图9是对应图6的变化检测结果对比，其中图9（a），图9（b）和图9（c）分别表示变化检测参考图，本发明方法得到的变化检测结果图以及FLICM方法的变化检测结果图。 

具体实施方式

本发明提出了一种基于无监督的深度网络学习的SAR图像变化检测算法，它属于神经网络与图像处理相结合的技术领域，主要解决的是SAR图像变化检测过程中不通过求解差异图直接由两幅图像求得变化区域的问题。其的特征是：（1）首先对两幅配准后的同一地区不同时相的SAR图像进行FCM联合分类获得粗糙的变化检测结果；（2）根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本；（3）将待训练的样本点输入到设计好的深度神经网络中进行训练；（4）将两幅待检测的图像输入训练好的深度网络中，得出最终的变化检测结果图。 

如图1所示。 

主流程图步骤特征是： 

步骤101：开始基于无监督的深度神经网络SAR图像变化检测方法； 

步骤102：对两幅配准后的同一地区不同时相的SAR图像进行FCM联合分类获得粗糙的变化检测结果，Ω＝{Ω¹，Ω²}； 

步骤103：根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本； 

步骤104：将待训练的样本点输入到设计好的深度神经网络中进行训练； 

步骤105：将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图； 

步骤106：结束基于无监督的深度神经网络SAR图像变化检测方法。 

如图2所示。 

所述的步骤102，包括如下步骤： 

步骤201：开始FCM联合分类算法； 

步骤202：计算两幅图像X¹和X²对应位置(i,j)处像素的灰度值相似度S_ij： 

$S_{\mathrm{ij}}=\frac{|X_{\mathrm{ij}}^1-X_{\mathrm{ij}}^2|}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}$

其中，

和S_ij(S_ij∈[0,1])分别表示位置(i,j)第t时相的灰度值和两时相灰度值的相似度。灰度值越接近，则相似度值越趋于0，变化信息的强度越小；否则相似度值越趋于1，变化信息强度越大； 

步骤203：然后采用迭代阈值法求解相似度阈值T； 

步骤204：根据方差最小原则选取分类参考点，并对该分类参考点做分类，灰度方差

定义为： 

${\mathrm{\σ}}_{\mathrm{ij}}^t={\mathrm{\ω}}_{\mathrm{ij}}^t{(X_{\mathrm{ij}}^t-E_{\mathrm{ij}})}^2$

其中，

是t时相(i,j)位置的方差，

为灰度值权重，

为灰度值加权平均，因此： 

${\mathrm{\σ}}_{\mathrm{ij}}^t=\frac{X_{\mathrm{ij}}^t}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\[X_{\mathrm{ij}}^t-\frac{{\left(X_{\mathrm{ij}}^1\right)}^2+{\left(X_{\mathrm{ij}}^2\right)}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}\]}^2$

将S_ij代入上式可得到： 

$\begin{array}{c}{\mathrm{\σ}}_{\mathrm{ij}}^1=X_{\mathrm{ij}}^2\frac{X_{\mathrm{ij}}^1{X}_{\mathrm{ij}}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\left(S_{\mathrm{ij}}\right)}^2\\ {\mathrm{\σ}}_{\mathrm{ij}}^2=X_{\mathrm{ij}}^1\frac{X_{\mathrm{ij}}^1{X}_{\mathrm{ij}}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\left(S_{\mathrm{ij}}\right)}^2\end{array}$

所以，如果

则有那么以方差最小原则选取参考点，即以

为参考点，如果S_ij≤T（即存在非变化或微变化信息），

如果S_ij＞T（即变化信息），

由于

和两幅图像的初始聚类中心一致，而且以

为参考点，所以经过多次分类后，不管是S_ij≤T还是S_ij＞T，都保持在

的范围内，从而保持了不同时相的不变信息具有相同的类别，变化信息具有不同的类别； 

步骤205：初始化聚类中心（两幅图像初始聚类中心一致），首先对参考点进行分类，并以其类别作为参考，若S_ij≤T，另一时相对应位置(i,j)像素的类别信息与该参考点对应的类别信息一致，否则，对另一时相对应位置的像素做单 独分类； 

步骤206：不断重复步骤204，对图像所有像素进行分类； 

步骤207：直到一幅图像的分类达到收敛，停止迭代分类，获得两幅图像联合分类结果； 

步骤208：结束FCM联合分类算法。 

如图3所示。 

所述的步骤103，包括如下步骤： 

步骤301：开始选择深度网络训练的样本的算法； 

步骤302：在得到的初始变化检测结果图上，以位置(i,j)像素为中心像素，取大小为5×5的窗口，像素总个数为M=25； 

步骤303：统计该窗口内与中心像素属于同一类的像素个数n； 

步骤304：如果n≤13（即窗口内像素总个数的一半），则位置(i,j)处的像素被视为噪声点，否则为非噪声点； 

步骤305：按照步骤303和步骤304对初始变化检测结果图上每一个位置进行判断，找出所有非噪声点的位置，以两时相图像上对应于非噪声点位置处的像素点为训练样本； 

步骤306：结束选择深度网络训练的样本的算法。 

如图4所示。 

所述的步骤104，包括如下步骤： 

步骤401：开始深度神经网络的训练算法； 

步骤402：待训练的样本点使用RBM预训练得到网络的初始权值和偏置，网络层数设为3个隐层，每一层节点数目分别为250,150和100，RBM每层训练50代； 

步骤403：使用基于最小交叉熵的共轭梯度BP神经网络对RBM预训练网络进行微调，训练代数取为50代； 

步骤404：获得最终训练好的神经网络； 

步骤405：结束深度神经网络的训练算法。 

本发明的效果可以通过以下仿真进一步说明： 

1、仿真参数 

对于具有参考图的实验仿真图，可进行定量的变化检测结果分析： 

①计算漏检个数：统计实验结果图中发生变化区域的像素个数，与参考图中变化区域的像素个数进行对比，把参考图中发生变化但实验结果图中检测为未变化的像素个数，称为漏检个数FN； 

②计算错检个数：统计实验结果图中未发生变化区域的像素个数，与参考图中未变化区域的像素个数进行对比，把参考图中未发生变化但实验结果图中检测为变化的像素个数，称为错检个数FP； 

③正确分类的概率PCC：PCC=(TP+TN)/(TP+FP+TN+FN)； 

④衡量检测结果图与参考图一致性的Kappa系数：Kappa=(PCC-PRE)/(1-PRE),其中： 

PRE=(TP+FP)×Nc+(FN+TN)×Nu／N²

这里，N表示总像素个数，Nc和Nu分别表示实际的变化像素数和为变化像素数。 

2、仿真内容 

①本发明方法首先对第一组实验仿真图仿真了FCM联合分类算法，并使用深度神经网络进行变化检测； 

②对于深度神经网络进行变化检测以及FLICM进行变化检测这两种算法进行了对比，通过第二组实验仿真图完成。 

3、仿真实验结果及分析 

①反映Bern城市的SAR图像如图5所示，图5（a）和图5（b）的拍摄时间分别为1999.04和1999.05，大小均为301×301。 

通过FCM联合分类的结果如图6所示，其中图6（a）和图6（b）分别表示 变化检测参考图和FCM联合分类的结果。可见FCM联合分类的结果仍然存在噪声，不适合作为最终的变化检测结果，可以将其作为初始分割结果，用于深度神经网络训练样本的选择。图7给出了深度神经网络进行变化检测的结果图，从图7可以看出，本发明方法的变化检测结果图噪声点较少，细节保持的清晰完整，变化检测效果比较好。使用FCM联合分类以及深度神经网络进行变化检测的效果指标如表1所示。 

表1FCM联合分类以及深度神经网络进行变化检测的效果指标 

从表1中可以看出，本发明方法的变化检测正确率以及Kappa值，都比较理想，错检数和漏检数比较低，检测效果优良。 

②反映Ottawa地区水灾的SAR图像如图8所示，图8（a）和图8（b）的拍摄时间分别为1997.05和1997.08，大小均为290×350。 

采用深度神经网络和FLICM所得的变化检测结果图如图9所示，其中图9（a），图9（b）和图9（c）分别表示参考图，深度神经网络变化检测结果图以及FLICM变化检测结果图。通过与参考图像图9（a）对比，可以看出FLICM方法噪声点非常多，细节丢失严重，很多变化的区域都没有检测出来，而本发明方法无论是对噪声点的鲁棒性还是对细节的保持都比FLICM方法要好。两种方法的变化检测结果对比如表2所示。 

表2DN与FLICM方法变化检测结果的对比 

从表2可以看出本发明方法的变化检测结果无论是漏检数还是错检数都远远低于FLICM方法，正确检测率和Kappa系数也较高，可见本发明方法提高了SAR图像变化检测的效果。 

本实施例没有详细叙述的工艺和字母含义属本行业的公知常用手段及公知技术，这里不一一叙述。 

Claims (4)

1.一种基于无监督的深度神经网络SAR图像变化检测方法，其特征是：包括如下步骤：

步骤101：开始基于无监督的深度神经网络SAR图像变化检测方法；

步骤102：对两幅配准后的同一地区不同时相的SAR图像进行FCM联合分类获得粗糙的变化检测结果，Ω＝{Ω¹，Ω²}；

步骤103：根据初始的变化检测结果选择可能性大的非噪声点作为深度网络训练的样本；

步骤104：将待训练的样本点输入到设计好的深度神经网络中进行训练；

步骤105：将两幅待检测的图像输入训练好的深度神经网络中，得出最终的变化检测结果图；

步骤106：结束基于无监督的深度神经网络SAR图像变化检测方法。

2.根据权利要求1所述的基于无监督的深度神经网络SAR图像变化检测方法，其特征是：所述的步骤102，包括如下步骤：

步骤201：开始FCM联合分类算法；

步骤202：计算两幅图像X¹和X²对应位置(i,j)处像素的灰度值相似度S_ij：

$S_{\mathrm{ij}}=\frac{|X_{\mathrm{ij}}^1-X_{\mathrm{ij}}^2|}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}$

其中，和S_ij(S_ij∈[0,1])分别表示位置(i,j)第t时相的灰度值和两时相灰度值的相似度；灰度值越接近，则相似度值越趋于0，变化信息的强度越小；否则相似度值越趋于1，变化信息强度越大；

步骤203：然后采用迭代阈值法求解相似度阈值T；

步骤204：根据方差最小原则选取分类参考点，并对该分类参考点做分类，灰度方差

定义为：

${\mathrm{\σ}}_{\mathrm{ij}}^t={\mathrm{\ω}}_{\mathrm{ij}}^t{(X_{\mathrm{ij}}^t-E_{\mathrm{ij}})}^2$

其中，

是t时相(i,j)位置的方差，为灰度值权重，

为灰度值加权平均，因此：

${\mathrm{\σ}}_{\mathrm{ij}}^t=\frac{X_{\mathrm{ij}}^t}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\[X_{\mathrm{ij}}^t-\frac{{\left(X_{\mathrm{ij}}^1\right)}^2+{\left(X_{\mathrm{ij}}^2\right)}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}\]}^2$

将S_ij代入上式可得到：

${\mathrm{\σ}}_{\mathrm{ij}}^1=X_{\mathrm{ij}}^2\frac{X_{\mathrm{ij}}^1{X}_{\mathrm{ij}}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\left(S_{\mathrm{ij}}\right)}^2$

${\mathrm{\σ}}_{\mathrm{ij}}^2=X_{\mathrm{ij}}^1\frac{X_{\mathrm{ij}}^1{X}_{\mathrm{ij}}^2}{X_{\mathrm{ij}}^1+X_{\mathrm{ij}}^2}{\left(S_{\mathrm{ij}}\right)}^2$

所以，如果

则有

那么以方差最小原则选取参考点，即以

为参考点，如果S_ij≤T，即存在非变化或微变化信息，

如果S_ij＞T，即变化信息，

由于

和两幅图像的初始聚类中心一致，而且以

为参考点，所以经过多次分类后，不管是S_ij≤T还是S_ij＞T，

都保持在

的范围内，从而保持了不同时相的不变信息具有相同的类别，变化信息具有不同的类别；

步骤205：初始化聚类中心，其中，两幅图像初始聚类中心一致，首先对参考点进行分类，并以其类别作为参考，若S_ij≤T，另一时相对应位置(i,j)像素的类别信息与该参考点对应的类别信息一致，否则，对另一时相对应位置的像素做单独分类；

步骤206：不断重复步骤204,对图像所有像素进行分类；

步骤207：直到一幅图像的分类达到收敛，停止迭代分类，获得两幅图像联合分类结果；

步骤208：结束FCM联合分类算法。

3.根据权利要求1所述的基于无监督的深度神经网络SAR图像变化检测方法，其特征是：所述的步骤103，包括如下步骤：

步骤301：开始选择深度网络训练的样本的算法；

步骤302：在得到的初始变化检测结果图上，以位置(i,j)像素为中心像素，取大小为5×5的窗口，像素总个数为M=25；

步骤303：统计该窗口内与中心像素属于同一类的像素个数n；

步骤304：如果n≤13，即窗口内像素总个数的一半，则位置(i,j)处的像素被视为噪声点，否则为非噪声点；

步骤305：按照步骤303和步骤304对初始变化检测结果图上每一个位置进行判断，找出所有非噪声点的位置，以两时相图像上对应于非噪声点位置处的像素点为训练样本；

步骤306：结束选择深度网络训练的样本的算法。

4.根据权利要求1所述的基于无监督的深度神经网络SAR图像变化检测方法，其特征是：所述的步骤104，包括如下步骤：

步骤401：开始深度神经网络的训练算法；

步骤402：待训练的样本点使用RBM预训练得到网络的初始权值和偏置，网络层数设为3个隐层，每一层节点数目分别为250,150和100，RBM每层训练50代；

步骤403：使用基于最小交叉熵的共轭梯度BP神经网络对RBM预训练网络进行微调，训练代数取为50代；

步骤404：获得最终训练好的神经网络；

步骤405：结束深度神经网络的训练算法。

Images