(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210813300.6 (22)申请日 2022.07.11 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 焦李成　陈璞花　谷雨　刘旭　 董惠惠　刘芳　屈嵘　郭雨薇　 李玲玲　唐旭　侯彪　杨淑媛　 张向荣　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 李薇 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/25(2022.01) G06V 10/44(2022.01)G06V 10/762(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于无监督空频表征学习融合的SAR图 像变化检测方法 (57)摘要 本发明涉及一种基于无监督空频表征学习 融合的SAR图像变化检测方法， 包括： 将变化前 SAR图像和变化后SAR图像生成差异图； 对差异图 进行层次聚类生成确定数据和待分类数据； 提取 第一像素块的空间域特征、 频域特征信息、 像素 块信息； 将提取到的第一空间融合特征、 第一频 域特征和第一像素信息特征进行拼接， 得到第一 拼接特征； 对第一拼接特征进行分类， 得到待分 类数据的分类结果； 将可确定数据的分类结果与 待分类数据的分类结果进行融合， 得到最终分类 结果。 该方法使用无监督方法， 避免由于SAR图像 变化检测没有标签无法训练的问题， 同时能够有 效的提取关键信息， 很好的关注到主要信息， 从 而提供变化检测的精度， 使 得检测结果更加合理 可信。 权利要求书3页 说明书9页 附图6页 CN 115393706 A 2022.11.25 CN 115393706 A 1.一种基于无监督空频表征学习融合的SAR图像变化检测方法， 其特征在于， 包括步 骤： 将变化前SAR图像和变化后SAR图像生成差异图； 对所述差异图进行层次聚类， 生成带有伪标签的图像， 所述带有伪标签的图像包括可 确定数据和待分类数据； 以所述待分类数据为中心像素， 从所述变化前SAR图像和所述变化后SAR图像中提取第 一目标窗口大小的第一像素块； 提取所述第 一像素块的空间域特征得到第 一空间融合特征， 提取所述第 一像素块的频 域特征信息得到第一频域特征， 提取所述第一像素块的像素块信息得到第一像素信息特 征； 将所述第一空间融合特征、 所述第一频域特征和所述第一像素信息特征进行拼接， 得 到第一拼接特征； 利用训练好的分类器对所述第一拼接特征进行分类， 得到待分类数据的分类结果， 其 中， 所述训练好的分类 器为利用所述可确定数据对初始分类 器进行训练得到； 将所述可确定数据的分类结果与 所述待分类数据的分类结果进行融合， 得到最终分类 结果。 2.根据权利要求1所述的基于无监督空频表征学习融合的SAR图像变化检测方法， 其特 征在于， 将变化前SAR图像和变化后SAR图像生成差异图， 包括： 利用对数比方法生成所述差异图。 3.根据权利要求1所述的基于无监督空频表征学习融合的SAR图像变化检测方法， 其特 征在于， 对所述差异图进 行层次聚类， 生成带有伪标签的图像， 所述带有伪标签的图像包括 可确定数据和待分类数据， 包括： 将所述差异图与Gabor核 进行卷积， 得到Gabor特 征； 利用模糊C均值算法对所述Gabor特征进行第一次分类， 得到确定的像素点类别和较大 概率确定的像素点类别， 并利用所述确定的像素点类别中的像素定义确定改变类别的数 值； 利用所述模糊C均值算法对所述Gabor特征进行第二次分类， 得到按平均值降序排列的 第一集群、 第二 集群、 第三 集群、 第四集群和第五集群； 将所述第一集群中的像素分配至第 一类数据， 并根据所述确定改变类别的数值将所述 第二集群、 第三集群、 第四集群和第五集群中的像素分别分配至第二类数据和 第三类数据， 得到所述带有伪标签的图像， 其中， 所述第一类数据和所述第二类数据为所述可确定数据， 所述第三类数据为所述待分类数据。 4.根据权利要求1所述的基于无监督空频表征学习融合的SAR图像变化检测方法， 其特 征在于， 以所述待分类数据为中心像素， ， 从所述变化前SAR图像和所述变化后 SAR图像中提 取第一目标窗口大小的第一像素块， 包括： 将所述变化前SAR图像和所述变化后SAR图像进行叠加， 得到 叠加图像； 以所述待分类数据的像素点为中心， 从所述叠加图像中选取所述第 一目标窗口大小的 像素， 得到所述第一像素块。 5.根据权利要求1所述的基于无监督空频表征学习融合的SAR图像变化检测方法， 其特权　利　要　求　书 1/3 页 2 CN 115393706 A 2征在于， 提取 所述像素块的空间域特 征得到空间融合特 征， 包括： 将所述像素块输入第一卷积层， 得到第一全局特 征； 将所述第一全局特征输入第 二卷积层， 引导所述第 二卷积层注意所述第 一全局特征中 心像素的特 征， 得到第二全局特 征； 将所述第一全局特征横向平分为三部分， 将横向中间部分像素块输入到所述第 二卷积 层， 得到水平特 征； 将所述第一全局特征竖向平分为三部分， 将竖向中间部分像素块输入到所述第 二卷积 层， 得到垂直特 征； 将所述第 二全局特征、 所述水平特征、 所述垂直特征进行特征相加融合， 得到所述空间 融合特征。 6.根据权利要求1所述的基于无监督空频表征学习融合的SAR图像变化检测方法， 其特 征在于， 提取 所述像素块的频域特 征信息得到频域特 征， 包括： 将所述像素块调整大小后转换为频域图像， 得到一维特 征； 将所述一维特征分别输入第一线性层和第二线性层， 得到第一特 征和第二特 征； 利用激活函数对所述第一特 征进行计算， 得到第三特 征； 将所述第二特 征和所述第三特 征融合， 得到所述频域特 征。 7.根据权利要求1所述的基于无监督空频表征学习融合的SAR图像变化检测方法， 其特 征在于， 提取 所述第一像素块的像素块信息得到第一像素信息特 征， 包括： 利用多层感知机提取 所述第一像素块的像素块信息得到第一像素信息特 征。 8.根据权利要求1所述的基于无监督空频表征学习融合的SAR图像变化检测方法， 其特 征在于， 利用所述可确定数据对初始分类 器进行训练， 包括： 以所述可确定数据为中心像素， 从所述变化前SAR图像和所述变化后SAR图像中提取第 二目标窗口大小的第二像素块； 提取所述第 二像素块的空间域特征得到第 二空间融合特征， 提取所述第 二像素块的频 域特征信息得到第二频域特征， 提取所述第二像素块的像素块信息得到第二像素信息特 征； 将所述第二空间融合特征、 所述第二频域特征和所述第二像素信息特征进行拼接， 得 到第二拼接特征； 将所述第二 拼接特征输入到所述初始分类 器中， 得到 输出结果： 利用所述输出结果与所述可确定数据计算损失值对所述初始分类器的网络权重进行 更新， 并利用梯度下降法求解所述初始分类器代 价函数的最小化问题以获得训练好的分类 器参数， 从而得到所述训练好的分类 器。 9.根据权利要求8所述的基于无监督空频表征学习融合的SAR图像变化检测方法， 其特 征在于， 所述输出 结果为： 权　利　要　求　书 2/3 页 3 CN 115393706 A 3