基于RBM模型的目标级遥感图像变化检测方法

摘要

本发明公开了一种基于RBM模型的目标级遥感图像变化检测方法，主要针对已有变化检测方法的不足，将受限波尔兹曼机RBM与目标级遥感图像变化检测结合起来，应用到遥感图像变化检测。其实现步骤是：(1)输入两幅遥感图像的灰度矩阵；(2)模糊聚类得到两幅遥感图像分割后的灰度矩阵；(3)构造待检测的对数比值差异灰度矩阵；(4)对对数比值差异灰度矩阵预分类；(5)选取训练样本；(6)训练受限波尔兹曼机RBM；(7)输出变化检测结果。本发明降低了对遥感图像配准精度的依赖性，具有良好的抗噪性，并提高了遥感图像变化检测的正确率和分类精度。

主权项

一种基于RBM模型的目标级遥感图像变化检测方法，包括如下步骤：(1)输入灰度矩阵：输入两个已配准的同一区域、不同时间的遥感图像的灰度矩阵；(2)分割灰度矩阵：(2a)采用模糊C均值聚类方法，对两个已配准的同一区域、不同时间的遥感图像的灰度矩阵其中一个遥感图像的灰度矩阵I₁进行模糊聚类，得到第一个分割后的灰度矩阵X₁；(2b)采用模糊C均值聚类方法，对两个已配准的同一区域、不同时间的遥感图像的灰度矩阵其中另一个遥感图像的灰度矩阵I₂进行模糊聚类，得到第二个分割后的灰度矩阵X₂；(3)构造待检测的对数比值差异灰度矩阵：按照下式，计算灰度矩阵X₁和X₂的对数比值差异灰度矩阵，得到待检测的对数比值差异灰度矩阵：D＝|log(X₂+1)‑log(X₁+1)|其中，D表示灰度矩阵X₁和X₂的对数比值差异灰度矩阵，X₂表示第二个分割后的灰度矩阵，X₁表示第一个分割后的灰度矩阵，|·|表示绝对值操作，log表示以10为底的对数操作；(4)预分类：(4a)采用模糊C均值聚类方法，对待检测的对数比值差异灰度矩阵进行模糊聚类，得到对数比值差异灰度矩阵的模糊聚类矩阵；(4b)将模糊聚类矩阵中变化类隶属度值大的像素点判归为变化类，未变化类隶属度值大的像素点判归为未变化类，将所有像素点分为变化类和未变化类，得到初始变化检测灰度矩阵；(5)选取训练样本：(5a)在初始变化检测灰度矩阵中，选取一个以第j个像素点为中心，大小为5×5的方形窗口，方形窗口的总像素点个数为25；(5b)按照下式，计算方形窗口内像素点的灰度均值：$E=\frac{\underset{y=1}{\overset{25}{\Sigma }}{I}_y}{25}$其中，E表示方形窗口内像素点的灰度均值，Σ表示求和操作，y表示方形窗口的第y个像素点，I_y表示方形窗口中第y个像素点的灰度值；(5c)按照下式，选取训练样本：|I_j‑E|≤0.3其中，I_j表示第j个像素点的灰度值，E表示方形窗口内像素点的灰度均值，|·|表示绝对值操作；(5d)判断是否检验完初始变化检测灰度矩阵中的所有像素点，若是，得到训练样本，执行步骤(6)，否则，执行步骤(5a)；(6)训练受限波尔兹曼机RBM：(6a)将受限波尔兹曼机RBM的网络结构设定为两层可见层和两层隐藏层；(6b)用区间[‑0.001,0.001]上的随机数初始化受限波尔兹曼RBM的权值；(6c)将受限波尔兹曼机RBM可见层的偏置向量和隐藏层的偏置向量初始化为零向量；(6d)将训练样本输入到受限波尔兹曼机RBM中进行训练，利用对比散度方法，得到训练后的受限波尔兹曼机RBM；(7)输出变化检测结果：将得到待检测的对数比值差异灰度矩阵输入到训练后的受限波尔兹曼机RBM，得到最终变化检测结果。