CN110555841B - 基于自注意图像融合和dec的sar图像变化检测方法 - Google Patents

Abstract

本发明提出了一种基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，旨在提高变化检测的准确率，实现步骤为：获取对数比差异图像D₁；获取对数比差异图像D₁的显著图S；对对数比差异图像D₁与D₁的显著图S进行像素级自注意融合；获取训练样本数据V和测试样本数据V'；构建深度嵌入聚类DEC网络模型，并对其进行训练；获取SAR图像的变化检测结果。本发明在生成差异图像的过程中将对数比差异图像与其显著图进行像素级自注意融合，解决对数比差异图像信息不准确的问题，此外，本发明获取的训练与测试样本包含了融合后的差异图像的重要信息，并使用深度嵌入聚类DEC方法完成像素聚类，提高了检测性能。

Description

基于自注意图像融合和DEC的SAR图像变化检测方法

技术领域

本发明属于雷达图像处理技术领域，涉及一种SAR图像的变化检测方法，具体涉及一种基于自注意图像融合和深度嵌入聚类DEC(Deep Embedding Clustering，DEC)的无监督SAR图像变化检测，可用于洪涝灾害的监测以及农业调查等SAR图像变化检测任务。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)传感器对天气条件和光照条件不敏感，可以在各种气候条件和不同时段工作。许多星载SAR传感器的再访时间很短，SAR图像数据越来越容易获取，因此适用于变化检测任务，并且广泛应用于灾害监测、土地调查和军事目标侦查等民用和军用领域。SAR图像变化检测主要可分为有监督的SAR图像变化检测方法和无监督的SAR图像变化检测方法。因为在实际应用中，有标签的SAR图像训练数据难以获得，因此无监督的SAR图像变化检测方法成为SAR图像变化检测方向的研究重点，无监督SAR图像变化检测方法可以在没有难以收集的标签样本的情况下完成SAR图像变化检测任务。近年来，无监督SAR图像变化检测的主流框架包含三个部分：1)差异图像的生成和通过预分类从差异图像中选择伪标签训练样本；2)利用伪标签训练样本对模型进行训练；3)训练好的模型对变化类和未变化类像素的分类。衡量SAR图像变化检测准确率的指标主要有虚警率和漏警率。SAR图像变化检测的难点在于：1)SAR图像中存在大量的乘性相干斑噪声，SAR图像经过滤波的预处理操作后，一定程度上减少了相干斑的影响，但同时对SAR图像的变化区域也进行了滤波处理，减小了生成的差异图像中的变化类和未变化类的差异，给变化检测带来了新的难题，使变化检测的准确率较低。2)在对差异图像进行分类时，由于部分像素属于变化类像素和未变化类像素的特征差异不大，因此，SAR图像中存在部分像素点难以准确的分成变化类或未变化类，导致这部分难以区分的像素点大量出现虚警或漏警，使变化检测的准确率降低。

为了解决上述问题，Feng Gao,Junyu Dong等人在其发表的论文“AutomaticChange Detection in Synthetic Aperture Radar Images Based on PCANet”(Gao F,Dong J,Li B,et al.Automatic Change Detection in Synthetic Aperture RadarImages Based on PCANet[J].IEEE Geoscience and Remote Sensing Letters,2016,Vol.13(No.12):pp.1792-1796.)中，公开了一种基于PCANet的SAR图像无监督变化检测方法，该方法先通过FCM聚类算法对差异图进行预分类，获得带有伪标签的训练样本去训练PCANet模型，然后用训练好的模型对待分类的样本进行分类得到最后的SAR图像变化检测二值图。该方法虽然能在一定程度上提高了变化检测的准确率，但也相应的存在着一些问题。首先，差异图像不能准确的反映获取的两个时相SAR图像的变化信息，从而不能为变化检测任务的下一个步骤打好基础，影响变化检测准确率的提升；其次，该方法通过预分类方法为PCANet模型的训练提供伪标签训练样本，实际上，预分类方法倾向于以高置信度选择样本，并丢弃由于噪声的影响而难以分类的样本，并且该方法的伪标签训练样本只包含滤波后的两个时相SAR图像的信息，并不包含差异图像的重要信息，因此，所选择的伪标签训练样本可能不可靠且不具有代表性，这导致变化检测的准确率较低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，旨在提高变化检测的准确率。

为实现上述目的，本发明采取的技术方案包含如下步骤：

(1)获取对数比差异图像D₁：

对像素大小为w×d的两个时相SAR图像进行滤波，得到滤波后第一时相的SAR图像I₁和第二时相的SAR图像I₂，并对I₁和I₂进行对数比操作，得到对数比差异图像D₁，其中w≥200，d≥200；

(2)获取对数比差异图像D₁的显著图S：

采用上下文感知的显著性检测方法(参考文献：S.Goferman,L.Zelnik-Manor,andA.Tal,“Context-aware saliency detection,”IEEE Trans.Pattern Analysis andMachine Intelligence,vol.34,no.10,pp.1915-1926,Oct.2012.)计算对数比差异图像D₁的不同区域的显著性值，得到对数比差异图D₁的显著图S'，并对S'进行最大最小归一化，得到对数比差异图像D₁的显著图S，S∈[0,1]；

(3)对对数比差异图像D₁与D₁的显著图S进行像素级自注意融合：

对对数比差异图像D₁中每个位置(x,y)处的像素值D₁(x,y)与显著图S中对应位置(x,y)处的显著性值S(x,y)进行融合，实现D₁与S的像素级自注意融合，得到差异图像D₂，其中差异图像D₂在位置(x,y)处的像素值D₂(x,y)的计算公式为：

D₂(x,y)＝D₁(x,y)·α^S(x,y)α≥1

其中，α^S(x,y)是像素值D₁(x,y)的增强度，α是参数；

(4)获取训练样本数据V和测试样本数据V'：

(4a)采用k均值聚类算法对差异图像D₂进行聚类，得到像素数量为t₁的c₁类像素簇和像素数量为t₂的c₂类像素簇，其中t₁+t₂＝w×d；

(4b)判断t₁≤t₂是否成立，若是，将c₁类像素簇的t₁个样本和c₂类像素簇中任意t₁个样本作为样本集P，并将P中样本的数量表示为K，K＝2t₁，否则，将c₂类像素簇的t₂个样本和c₁类像素簇中任意t₂个样本作为样本集P，并将P中样本的数量表示为K，K＝2t₂；

(4c)设样本集P中的每个样本在D₂中的位置坐标为(x',y')，并分别获取I₁、I₂和D₂中以(x',y')为中心、邻域大小为k×k的像素点邻域图像块

和

其中3≤k≤9；

(4d)将

和

转化为向量形式

和

并将

和

顺次连接，得到维度大小为3×k²的特征向量V_x',y'，样本集P中K个样本对应的特征向量组成训练样本数据V；

(4e)设D₂中的每个位置坐标为(x”,y”)，并分别获取I₁、I₂和D₂中以(x”,y”)为中心、邻域大小为k×k的像素点邻域图像块

和

(4f)将

和

转化为向量形式

和

并将

和

顺次连接，得到维度大小为3×k²的特征向量V_x”,y”，D₂中w×d个位置对应的特征向量组成测试样本数据V'；

(5)构建深度嵌入聚类DEC网络模型，并对其进行训练：

(5a)构建包括四个全连接层的深度嵌入聚类DEC网络模型；

(5b)对深度嵌入聚类DEC网络模型进行逐层贪婪预训练，然后对逐层贪婪预训练获取的DEC模型各层的参数进行微调，得到深度嵌入聚类DEC分类模型；

(6)获取SAR图像的变化检测结果：

将测试样本数据V'作为深度嵌入聚类DEC分类模型的输入进行分类，得到SAR图像的二值检测图。

本发明与现有技术相比，具有以下优点：

第一，本发明在生成差异图像的过程中结合了两个时相SAR图像的变化信息及其所得到的对数比差异图像的显著性信息，并将对数比差异图像的显著图与对数比差异图像进行像素级自注意融合，解决对数比差异图像信息不准确的问题。本发明获取的训练样本数据和测试样本数据不仅包含了滤波后两个时相SAR图像的信息，还包含了融合后的差异图像的重要信息，这使获取的训练样本和测试样本对图像像素点信息的表达更加明确，产生更好的训练效果。

第二，本发明采用可学习的深度嵌入聚类DEC模型，用无标签训练样本进行训练，消除了现有技术伪标签训练样本的影响，实现了一种完全无监督的变化检测方法，提高了变化检测的准确率。

附图说明

图1为本发明的实现流程图；

图2为本发明采用的深度嵌入聚类DEC聚类模型的结构图；

图3为本发明与现有技术检测准确率实验对比图；

图4为为本发明与现有技术检测准确率第二组数据的实验对比图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步详细说明：

参照图1，本发明的实现步骤如下：

步骤1)获取对数比差异图像D₁：

为了减少原始SAR图像中噪声对检测结果的影响，对像素大小为w×d的两个时相SAR图像进行均值滤波，其中w≥200，d≥200，本实施例中，实验一的w取值为257，d取值为289；实验二的w取值为290，d取值为350；滤波器的大小设置为3×3，得到滤波后第一时相的SAR图像I₁和第二时相的SAR图像I₂，并对I₁和I₂的对应像素值进行对数比操作，得到对数比差异图像D₁，其中任意位置(x,y)处的像素值为D₁(x,y)：

其中，I₁(x,y)为均值滤波后的第一时相的SAR图像I₁对应位置(x,y)处的像素值，I₂(x,y)为均值滤波后的第二时相的SAR图像I₂对应位置(x,y)处的像素值，log(·)表示自然对数运算，||为绝对值符号。

对数比操作首先对两个时相的SAR图像进行比值运算，得到比值差异图，比值差异图能较好的克服SAR图像乘性噪声这一缺点，然后将比值差异图转换到对数尺度，从而将SAR图像中的相干斑噪声转换为加性噪声，并且在经过对数转换后的差异图像素得到了非线性变换，同时增强了变化类和未变化类的对比度。

步骤2)获取对数比差异图像D₁的显著图S：

采用上下文感知的显著性检测方法将对数比差异图像D₁分成多个图像块，计算各个图像块的显著性值，组合得到对数比差异图D₁的显著图S'，并对S'进行最大最小归一化，得到对数比差异图像D₁的显著图S，S∈[0,1]，显著图S任意位置(x₁,y₁)的归一化显著性值S(x₁,y₁)为：

其中，S'_min是显著图S'显著性值的最小值，S'_max是显著图S'显著性值的最大值；

上下文感知的显著性检测方法(参考文献：S.Goferman,L.Zelnik-Manor,andA.Tal,“Context-aware saliency detection,”IEEE Trans.Pattern Analysis andMachine Intelligence,vol.34,no.10,pp.1915-1926,Oct.2012.)最主要的思想为：图像中显著区域的特征既要与邻域局部特征有很大区别，也要与图像全局特征有很大区别。具体的实现原则有三个：1)显著性的局部对比原则：主要包括对灰度的对比，具有较高灰度值的区域显著性值高，均匀或模糊区域的显著性值低；2)显著性的全局对比原则：抑制经常出现的特征，保持不同的特征。3)空间距离原则：显著的像素应当聚集在一起，而不是遍布整幅图像。

步骤3)对对数比差异图像D₁与D₁的显著图S进行像素级自注意融合：

对对数比差异图像D₁中每个位置(x,y)处的像素值D₁(x,y)与显著图S中对应位置(x,y)处的显著性值S(x,y)进行融合，实现D₁与S的像素级自注意融合，得到差异图像D₂，其中差异图像D₂在位置(x,y)处的像素值D₂(x,y)的计算公式为：

D₂(x,y)＝D₁(x,y)·α^S(x,y)α≥1

其中，α^S(x,y)是像素值D₁(x,y)的增强度，α是参数；

本实施例利用对数比差异图像中的显著性信息对对数比差异图像进行补偿和校正，在显著图的帮助下，抑制对数比差异图像中的冗余和干扰信息，是一种自注意机制。在位置(x,y)处，像素级自注意融合的增强度α^S(x,y)随着参数α和显著性值S(x,y)而变化，在设置参数α的取值时，需要将重要性聚焦在具有较大显著性值的变化类像素上，因此具有较小显著性值的未变化类像素和噪声像素相对地受到不同程度的抑制。如果α设置为较大值，则D₁中的细节信息将丢失；如果α设置为接近1的小值，则显著图的信息将丢失，融合后的差异图结果将接近D₁。因此，应该将α设置为适当的值，本实施例中，实验一的α设置为5，实验二的α设置为2，有效地融合对数比差异图像D₁和其显著图的信息，得到更能准确的初步反映两个时相SAR图像的变化信息的差异图像，从而提高变化检测的准确率。

步骤4)获取训练样本数据V和测试样本数据V'：

(4a)采用k均值聚类算法对差异图像D₂进行聚类，得到像素数量为t₁的c₁类像素簇和像素数量为t₂的c₂类像素簇，其中t₁+t₂＝w×d；

(4b)判断t₁≤t₂是否成立，若是，将c₁类像素簇的t₁个样本和c₂类像素簇中任意t₁个样本作为样本集P，并将P中样本的数量表示为K，K＝2t₁，否则，将c₂类像素簇的t₂个样本和c₁类像素簇中任意t₂个样本作为样本集P，并将P中样本的数量表示为K，K＝2t₂；

(4c)设样本集P中的每个样本在D₂中的位置坐标为(x',y')，并分别获取I₁、I₂和D₂中以(x',y')为中心、邻域大小为k×k的像素点邻域图像块

和

其中3≤k≤9，本实施例中，实验一的k取值为5，实验二的k取值为3；

(4d)将

和

转化为向量形式

和

并将

和

顺次连接，得到维度大小为3×k²的特征向量V_x',y'，样本集P中K个样本对应的特征向量组成训练样本数据V；

(4e)设D₂中的每个位置坐标为(x”,y”)，并分别获取I₁、I₂和D₂中以(x”,y”)为中心、邻域大小为k×k的像素点邻域图像块

和

(4f)将

和

转化为向量形式

和

并将

和

顺次连接，得到维度大小为3×k²的特征向量V_x”,y”，D₂中w×d个位置对应的特征向量组成测试样本数据V'；

由于差异图像信息的不准确性，较少有可学习的模型将差异图像的信息作为输入特征，本实施例由于基于自注意图像融合生成的差异图像更为准确的反映两个时相SAR图像的变化信息，所以在构建训练样本和测试样本时，不仅将滤波后的两个时相SAR图像的信息作为输入特征，而且将融合后的差异图信息作为输入特征，构成训练样本和测试样本。将包含差异图像重要信息的训练样本作为无标签的训练样本，消除了现有技术里通过预分类产生伪标签训练样本的不准确性，提高了变化检测的准确率。

步骤5)构建深度嵌入聚类DEC网络模型，并对其进行训练：

(5a)构建包括四个全连接层的深度嵌入聚类DEC网络模型，深度嵌入聚类DEC网络模型中每个全连接层的维度分别为：第一全连接层的维度为750，第二全连接层的维度为750，第三全连接层的维度为1500，第四全连接层的维度为2；

(5b)对深度嵌入聚类DEC网络模型进行逐层贪婪预训练，然后对逐层贪婪预训练获取的DEC模型各层的参数进行微调，得到训练好的深度嵌入聚类DEC模型，具体实现包括如下步骤：

(5b1)将训练样本数据V中的K个训练样本分批次作为深度嵌入聚类DEC网络模型的输入，将深度嵌入聚类DEC网络模型的每一层作为一个自编码器，采用堆叠自编码器的无监督重构损失函数优化每层的参数，一次只训练一层，将训练样本数据的特征向量作为第一层的输入，其它每层均以上一层的输出h^i-1作为当前层的输入，通过最小化每层输入的重构误差对深度嵌入聚类DEC网络模型进行训练，得到逐层贪婪预训练好的深度嵌入聚类DEC网络模型，其中深度嵌入聚类DEC网络模型第i层输出的特征向量为hⁱ：

hⁱ＝σ(Wⁱh^i-1+bⁱ)

其中Wⁱ是深度嵌入聚类DEC网络模型第i层的权重矩阵，i∈[1,4]，bⁱ是深度嵌入聚类DEC网络模型第i层的偏置向量，σ(·)是ReLU非线性激活函数，σ(x)＝max(0,x)；

本实施例中，实验一和实验二的批次大小均设置为256，逐层贪婪预训练次数均设置为100个epochs，参照图2，图中V_x,y为训练样本数据的特征向量，W¹表示深度嵌入聚类DEC网络第一层的参数矩阵，W²表示深度嵌入聚类DEC网络第二层的参数矩阵，W³表示深度嵌入聚类DEC网络第三层的参数矩阵，W⁴表示深度嵌入聚类DEC网络第四层的参数矩阵，e为DEC网络模型的输出特征向量。

(5b2)在逐层贪婪预训练好的深度嵌入聚类DEC网络模型最后一个全连接层上添加聚类层，得到深度嵌入聚类DEC分类模型，并定义训练样本数据V中的第m个训练样本经过逐层贪婪预训练好的深度嵌入聚类DEC网络模型后输出的特征向量e_m与分类层第n个聚类中心c_n之间的相似性q_mn：

其中，1≤m≤K，N是聚类中心的总数，N≥2，β是自由度，本实施例中N的取值都为2，β取值都为1；

(5b3)计算第m个训练样本与每个聚类中心之间的相似性，得到第m个样本与N个聚类中心的概率分布q_m；

(5b4)定义用于监督和指导概率分布q_m的辅助分布p_m，并计算辅助分布p_m中第m个训练样本属于第n类的概率p_mn：

其中f_n是软聚类频率，

(5b5)将辅助分布p_m中第m个训练样本属于第n类的概率p_mn和特征向量e_m与分类层第n个聚类中心c_n之间的相似性q_mn之间的KL距离作为KL距离损失函数Loss，并对其进行反向传播，实现对逐层贪婪预训练获取的DEC模型参数的微调，得到深度嵌入聚类DEC分类模型，其中：

本实施例中，批次大小均设置为256，实验一的微调迭代次数为10000，实验二的微调迭代次数为5000。

深度嵌入聚类DEC模型是一种可学习的网络模型，其训练过程的逐层贪婪预训练阶段实际上是堆叠自编码器的训练过程：堆叠多个自编码器，并把上一层的隐藏层表示作为当前层的输入，一次只训练一层，每一层都作为一个自编码器，并通过最小化前一层的输出编码对输入的重构误差来训练。当所有层都经过预训练后，开始进入训练的微调阶段，在进行微调之前添加一层聚类层，然后将整个网络作为一个整体进行训练，得到最终训练好的深度嵌入聚类DEC分类模型。

步骤6)获取SAR图像的变化检测结果：

将测试样本数据V'作为深度嵌入聚类DEC分类模型的输入进行分类，得到每个测试样本属于变化类和未变化类的概率，然后将该测试样本分到概率较大的一类，当所有测试样本聚类完成后，得到SAR图像的二值检测图，其中0表示未变化类像素，1表示变化类像素。

以下通过实验数据，对本发明的效果作进一步说明：

1.实验条件和内容：

1)实验条件：

本实验用到两组数据，第一组数据是由RADARSAT-2传感器获取的SAR图像变化检测数据，反映的是黄河口地区的农田变化，第二组数据集是由RADARSAT-SAR卫星分别在1997年5月和1997年8月拍摄的，反映的是加拿大渥太华地区受雨季影响的洪涝灾害情况；实验设备为装有matlab 2014b的工作站。

2)实验内容：

实验一：将本发明和现有技术(基于PCANet的SAR图像无监督变化检测方法)的检测精度在第一组反映黄河口农田变化的SAR数据上进行对比试验。

其结果如表2和图3所示。表2中使用虚警率FP、漏警率FN、总错误率OE、总体分类精度PCC和Kappa系数评价指标对实验结果进行评价。

表2本发明方法与现有方法性能参数对比结果

图3中：

图3(a)为农田数据第一个时相的原始SAR图像；

图3(b)为农田数据第二个时相的原始SAR图像；

图3(c)为真实变化区域二值图；

图3(d)为现有技术的变化检测结果图；

图3(e)为本发明方法的变化检测结果图；

实验二：将本发明和现有技术(基于PCANet的SAR图像无监督变化检测方法)的检测精度在第二组反映渥太华地区洪涝灾害的SAR数据上进行对比试验。

其结果如表3和图4所示。表3中使用虚警率FP、漏警率FN、总错误率OE、总体分类精度PCC和Kappa系数评价指标对实验结果进行评价。

表3本发明方法与现有方法性能参数对比结果

图4中：

图4(a)为渥太华数据第一个时相的原始SAR图像；

图4(b)为渥太华数据第二个时相的原始SAR图像；

图4(c)为真实变化区域二值图；

图4(d)为现有技术的变化检测结果图；

图4(e)为本发明方法的变化检测结果图；

2.实验结果和分析：

从表2和表3中可见，相对于本发明实验结果而言，现有技术差异图生成方法虽然计算简单，运算效率高，但是得到的差异图像包含的变化信息不够准确。采用伪标签训练样本对PCANet模型进行训练，由于训练样本的不准确性，存在较多的虚警，导致总错误率较高，从而影响最后检测结果的准确性。而本方法首先借助差异图像的显著性信息得到融合校正后的差异图像，然后选定包含差异图像中的重要特征的无标签训练样本训练可学习的深度嵌入聚类DEC分类模型，避免了传统差异图生成过程中带来的不准确性和伪标签训练样本选择的误差，从表2和表3中可以看出，本发明的总体分类精度和Kappa系数更高，实验结果表明本发明的方法相比于现有技术更具有优势。

从图3和图4中，可以直观的对本发明检测结果图与现有技术检测结果图进行对比，从图中可以看出，本发明虽然有一定的漏警，但很大程度上降低了虚警率，综合虚警和漏警两个因素，可以看出本发明检测结果图与人工标注的真实变化区域图更加接近，更能准确地反映区域的变化部分。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，其特征在于，包括如下步骤：

(1)获取对数比差异图像D₁：

对像素大小为w×d的两个时相SAR图像进行滤波，得到滤波后第一时相的SAR图像I₁和第二时相的SAR图像I₂，并对I₁和I₂进行对数比操作，得到对数比差异图像D₁，其中w≥200，d≥200；

(2)获取对数比差异图像D₁的显著图S：

采用上下文感知的显著性检测方法计算对数比差异图像D₁的不同区域的显著性值，得到对数比差异图D₁的显著图S'，并对S'进行最大最小归一化，得到对数比差异图像D₁的显著图S，S∈[0,1]；

(3)对对数比差异图像D₁与D₁的显著图S进行像素级自注意融合：

对对数比差异图像D₁中每个位置(x,y)处的像素值D₁(x,y)与显著图S中对应位置(x,y)处的显著性值S(x,y)进行融合，实现D₁与S的像素级自注意融合，得到差异图像D₂，其中差异图像D₂在位置(x,y)处的像素值D₂(x,y)的计算公式为：

D₂(x,y)＝D₁(x,y)·α^S(x,y)α≥1

其中，α^S(x,y)是像素值D₁(x,y)的增强度，α是参数；

(4)获取训练样本数据V和测试样本数据V'：

(4a)采用k均值聚类算法对差异图像D₂进行聚类，得到像素数量为t₁的c₁类像素簇和像素数量为t₂的c₂类像素簇，其中t₁+t₂＝w×d；

(4b)判断t₁≤t₂是否成立，若是，将c₁类像素簇的t₁个样本和c₂类像素簇中任意t₁个样本作为样本集P，并将P中样本的数量表示为K，K＝2t₁，否则，将c₂类像素簇的t₂个样本和c₁类像素簇中任意t₂个样本作为样本集P，并将P中样本的数量表示为K，K＝2t₂；

(4c)设样本集P中的每个样本在D₂中的位置坐标为(x',y')，并分别获取I₁、I₂和D₂中以(x',y')为中心、邻域大小为k×k的像素点邻域图像块

和

其中3≤k≤9；

(4d)将

和

转化为向量形式

和

并将

和

顺次连接，得到维度大小为3×k²的特征向量V_x',y'，样本集P中K个样本对应的特征向量组成训练样本数据V；

(4e)设D₂中的每个位置坐标为(x”,y”)，并分别获取I₁、I₂和D₂中以(x”,y”)为中心、邻域大小为k×k的像素点邻域图像块

和

(4f)将

和

转化为向量形式

和

并将

和

顺次连接，得到维度大小为3×k²的特征向量V_x”,y”，D₂中w×d个位置对应的特征向量组成测试样本数据V'；

(5)构建深度嵌入聚类DEC网络模型，并对其进行训练：

(5a)构建包括四个全连接层的深度嵌入聚类DEC网络模型；

(5b)对深度嵌入聚类DEC网络模型进行逐层贪婪预训练，然后对逐层贪婪预训练获取的DEC模型各层的参数进行微调，得到深度嵌入聚类DEC分类模型；

(6)获取SAR图像的变化检测结果：

将测试样本数据V'作为深度嵌入聚类DEC分类模型的输入进行分类，得到SAR图像的二值检测图。

2.根据权利要求1所述的基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，其特征在于，步骤(1)中所述的对数比差异图像D₁，其中D₁中任意位置(x,y)处的像素值D₁(x,y)的计算公式为：

其中，I₁(x,y)为滤波后的第一时相的SAR图像I₁对应位置(x,y)处的像素值，I₂(x,y)为滤波后的第二时相的SAR图像I₂对应位置(x,y)处的像素值，log(·)表示自然对数运算，||为绝对值符号。

3.根据权利要求1所述的基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，其特征在于，步骤(2)中所述的对S'的显著性值进行最大最小归一化，归一化方程为：

其中，S是对数比差异图像D₁的显著图，S'_min是显著图S'显著性值的最小值，S'_max是显著图S'显著性值的最大值。

4.根据权利要求1所述的基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，其特征在于，步骤(5a)中所述的深度嵌入聚类DEC网络模型中每个全连接层的维度分别为：

第一全连接层的维度为750，第二全连接层的维度为750，第三全连接层的维度为1500，第四全连接层的维度为2。

5.根据权利要求1所述的基于自注意图像融合和深度嵌入聚类DEC的无监督SAR图像变化检测方法，其特征在于，步骤(5b)中所述的深度嵌入聚类DEC分类模型，训练过程包括如下步骤：

(5b1)将训练样本数据V中的K个训练样本分批次作为深度嵌入聚类DEC网络模型的输入，将深度嵌入聚类DEC网络模型的每一层作为一个自编码器，采用堆叠式自编码器的无监督重构损失函数优化每层的参数，一次只训练一层，以上一层的输出h^i-1作为当前层的输入，通过最小化每层输入的重构误差对深度嵌入聚类DEC网络模型进行训练，得到逐层贪婪预训练好的深度嵌入聚类DEC网络模型，其中深度嵌入聚类DEC网络模型第i层输出的特征向量为hⁱ：

hⁱ＝σ(Wⁱh^i-1+bⁱ)

其中Wⁱ是深度嵌入聚类DEC网络模型第i层的权重矩阵，i∈[1,4]，bⁱ是深度嵌入聚类DEC网络模型第i层的偏置向量，σ(·)是ReLU非线性激活函数；

(5b2)在逐层贪婪预训练好的深度嵌入聚类DEC网络模型最后一个全连接层上添加分类层，得到深度嵌入聚类DEC分类模型，并定义训练样本数据V中的第m个训练样本经过逐层贪婪预训练好的深度嵌入聚类DEC网络模型后输出的特征向量e_m与分类层第n个聚类中心c_n之间的相似性q_mn：

其中，1≤m≤K，N是聚类中心的总数，N≥2，β是自由度；

(5b3)计算第m个训练样本与每个聚类中心之间的相似性，得到第m个样本与N个聚类中心的概率分布q_m；

(5b4)定义用于监督和指导概率分布q_m的辅助分布p_m，并计算辅助分布p_m中第m个训练样本属于第n类的概率p_mn：

其中f_n是软聚类频率，

(5b5)将辅助分布p_m中第m个训练样本属于第n类的概率p_mn和特征向量e_m与分类层第n个聚类中心c_n之间的相似性q_mn之间的KL距离作为KL距离损失函数Loss，并对其进行反向传播，实现对逐层贪婪预训练获取的DEC模型参数的微调，得到深度嵌入聚类DEC分类模型，其中：

Images