基于深信度网络的多目标优化SAR图像变化检测方法与流程

利用卷积神经网络进行图像分类和目标检测 #生活技巧# #学习技巧# #深度学习技巧#

本发明属于图像处理
技术领域：
，特别涉及一种sar图像变化检测方法，可用于遥感、医疗诊断和视频监控。
背景技术：
：由于合成孔径雷达sar不受云层覆盖和大气条件等因素的影响，sar图像技术在人们的日常生活中扮演着不可或缺的重要角色。而sar图像技术中的sar图像变化检测技术更起着尤为关键的作用。sar图像变化检测技术就是研究同一场景不同时段的两幅或者多幅sar图像发生的变化。它的应用场景很广泛，包括自然生态的监控，自然灾害评估和预防，获取地貌变化信息等。但是sar图像变化检测也经常会遇到难题，导致这些困难的原因很多，主要原因有：sar成像系统或者传感器自身所固有的斑点噪声的影响，不同时段成像回波角度不同所带来的差异，不同时段相隔时间长所带来的雷达自身内部结构发生的差异。从近年来对sar图像变化检测的研究来看，现有的图像变化检测可分为两种：第一种是差异图分类方法，它的核心是差异图的产生。该差异图分类方法包括差值法、比值法和对数比值法。差值法是最原始的处理方法，此方法的最大的缺点是对斑点噪声的抑制很差；比值法优点是在一定程度上抑制了斑点噪声，但是效果不是很明显，它的最大的缺点是加性噪声较多；对数比值法将加性噪声转化为乘性噪声，该方法通过对数转换后差异图得到了非线性拉伸，它的优点是增强了变化类和非变化类的对比度，但是它的缺点是差异图的准确度还不高。第二种是后分类比较法，该方法的关键是差异图中变化信息的提取，它的缺点是存在分类累积误差问题，影响分类的准确度。技术实现要素：本发明的目的在于针对上述已有技术的不足，提出一种基于深信度网络的多目标优化sar图像变化检测方法，以进一步优化并减少噪声，提高变化检测的准确度。实现本发明目的的技术方案是对输入的两幅sar图像y1和y2采用波动参数划分的方法产生原始差异图d1；再对原始差异图d1去噪得到去噪差异图d2；由原始差异图d1和去噪差异图d2构造两个目标函数，并计算得到这两个目标函数的函数值同时最小的解集，进而得到多个二值图像qk；由二值图像qk和训练好的深信度网络得到最终的变化检测图像rk。其步骤包括如下：(1)输入两幅同一地区不同时段的sar图像y1和y2，并对其进行滤波处理，得到滤波处理后的两幅图像i1和i2；(2)根据滤波处理后的两幅图像i1和i2产生原始差异图d1；2a)定义原始差异图的参数：2a1)定义小值像素接近函数为滤波处理后的两幅图像i1和i2在位置x处的灰度值中，其较小的像素与其邻域ωx中的像素的接近程度，其中n为滤波处理后的两幅图像i1和i2在位置x处邻域中像素点的个数；2a2)定义大值像素接近函数为滤波处理后的两幅图像i1和i2在位置x处的灰度值中，其较大的像素与其邻域ωx中的像素的接近程度；2a3)定义波动参数h在0～10范围内，h取值为2。2b)根据2a)定义的参数关系，计算原始差异图d1在位置x处的灰度值d1(x),其中x＝1,2,...,m,m是原始差异图d1像素点的总个数；2c)根据2b)中计算出的每个像素点的灰度值d1(x)得到原始差异图d1；(3)对原始差异图d1进行滤波得到去噪差异图d2，并根据原始差异图d1和去噪差异图d2构造两个不同的目标函数f1(v1,v2)和f2(v1,v2)，并计算得到这两个目标函数的函数值同时最小的解集，由这个解集得到二值图像qk,k＝1,2,...,100；(4)由已知的变化参考图像s训练深信度网络，得到训练好的深信度网络；(5)由二值图像qk和训练好的深信度网络，得到最终的变化检测图像rk。本发明与现有技术相比具有以下优点：1.本发明通过小值像素接近函数f1，大值像素接近函数f2和波动参数h的之间的关系来确定原始差异图d1在位置x处的分段函数计算方式，能够有效减少斑点噪声，保留了图像的局部信息。2.本发明在计算第一目标函数f1(v1,v2)和第二目标函数f2(v1,v2)的函数值时采用了多目标优化的方法，同时在得到最终的变化检测图像rk时使用了深信度网络的方法，提高了sar图像变化检测结果的准确度。附图说明图1为本发明的实现总流程图。图2为bern数据集原始图像及变化参考图。图3为ottawa数据集原始图像及变化参考图。图4为mulargia数据集原始图像及变化参考图。图5为用本发明测试bern数据集得到的二值图像rk。图6为用本发明测试ottawa数据集得到的二值图像rk。图7为用本发明测试mulargia数据集得到的二值图像rk。图8为用现有mofcm算法测试bern数据集得到的二值图像rk。图9为用现有mofcm算法测试ottawa数据集得到的二值图像rk。图10为用现有mofcm算法测试mulargia数据集得到的二值图像rk。图11为用现有flicm算法测试bern、ottawa、mulargia数据集得到的二值图像r。图12为用现有mrfsm算法测试bern、ottawa、mulargia数据集得到的二值图像r。图13为用现有mrffcm算法测试bern、ottawa、mulargia数据集得到的二值图像r。具体实施方式下面结合附图对本发明做详细说明：参照图1，本发明的实现步骤如下：步骤1，输入两幅同一地区不同时段的sar图像y1和y2，并对其进行滤波处理，得到滤波处理后的两幅图像i1和i2。本发明中采用的输入图像y1和y2来自bern数据集，ottawa数据集，mulargia数据集这三个数据集。bern数据集原始图像分别是通过传感器ers-2获得的1999年4月和1999年5月瑞士bern地区的图像，第一幅图像是在洪水灾害刚刚发生后获得的，图像中阴暗部分为受洪水影响的区域，第二幅图像是洪水几乎完全消失的时候获得的，图像的大小为301×301，灰度级为256，等效视数为10.89和9.26。ottawa数据集原始图像分别为加拿大的ottawa地区的1997年5月和1997年8月的图像，图像的大小为290×350，灰度级为256。两幅图像的变化信息主要是由于因夏季雨季来临，洪水淹没了部分陆地地区所致。mulargia数据集原始图像分别为1996年7月和1996年9月的landsat-5卫星第五波段在意大利撒丁岛mulargia湖泊区域得到的图像组成，变化区域是由湖水水位上涨引起的，两幅图像的大小均为300×412。对图像的滤波预处理，现有方法主要有：中值滤波，均值滤波，维纳滤波，本实例使用的是维纳滤波对输入的两幅sar图像进行预处理，即将两幅sar图像y1，y2分别作为matlab中维纳滤波函数的输入，输出滤波后的两幅sar图像i1，i2。步骤2，根据滤波处理后的两幅图像i1和i2产生原始差异图d1。现有产生差异图的方法有：差值法，比值法，对数比值法，本实例使用与现有技术不同的另一种方法，其差异图的产生步骤如下：2a)定义原始差异图的参数：小值像素接近函数f1，大值像素接近函数f2和波动参数h：2a1)定义小值像素接近函数表示i1(x)和i2(x)中较小的像素与其邻域ωx中的像素的接近程度，其中i1(x)和i2(x)分别表示滤波处理后的两幅图像i1和i2在x处的灰度值，n为滤波处理后的两幅图像i1和i2在位置x处邻域中像素点的个数；2a2)定义大值像素接近函数表示i1(x)和i2(x)中较大的像素与其邻域ωx中的像素的接近程度；2a3)定义波动参数h在0～10范围内，h取值为2；2b)根据2a)定义的参数之间关系，计算原始差异图d1在位置x处的灰度值d1(x),其中x＝1,2,...,m,m是原始差异图d1像素点的总个数；2c)根据2b)中计算出的每个像素点的灰度值d1(x)得到原始差异图d1。步骤3，对原始差异图d1进行滤波得到去噪差异图d2，并根据原始差异图d1和去噪差异图d2构造两个不同的目标函数f1(vi1,vi2)和f2(vi1,vi2)。3a)对原始差异图d1进行滤波，得到去噪差异图d2；3b)随机产生均匀分布的n个权重向量w1,w2,...,wi...,wn，每一个权重向量的形式wi＝(wi1,wi2)，其中wi1表示第i个权重向量的第一维元素，wi2表示第i个权重向量的第二维元素；3c)计算任意两个权重向量之间的欧式距离d(wi,wj),i,j＝1,2,...n且i≠j，对第i个权重向量和其他权重向量的欧式距离按从小到到大排序，获得i个权重向量的t个最近的权重向量的上标集合：b(eq)＝{e1,...,eq...,et}，由上标集合得到wi的t个最近的权重向量其中，eq表示第i个权重向量的最近的第q个权重向量的上标，q＝1,2,...,t，t是每个权重向量的最近权重向量的个数；3d)随机产生一个表示目标函数的解集的初始化种群v1,v2,...,vi...,vn，每个种群的形式是vi＝(vi1,vi2)，其中vi1是第i个个体的第一维元素，vi2是第i个个体的第二维元素；3e)计算初始模糊隶属度矩阵u1,u2,...,ui...,un，其中每一个初始模糊隶属度矩阵的形式是表示初始模糊隶属度矩阵中第i个个体的第k行对应的第x个隶属度，x＝1,2,...,m,k＝1,2,该uikx的计算公式为：其中i＝1,2,...,n,m＝2，ukx满足约束3f)根据原始差异图d1，去噪差异图d2，隶属度uikx和种群vi得到第一目标函数f1(vi1,vi2)和第二目标函数f2(vi1,vi2)：步骤4，计算得上述两个目标函数的函数值在同时最小时的解集，由这个解集得到二值图像qk,k＝1,2,...,100。计算第一目标函数f1(vi1,vi2)和第二目标函数f2(vi1,vi2)的函数值的现有的方法主要有：moea/d算法，moea/de算法,nsga算法，本实例使用的是mofcm算法，其步骤如下：4a)根据第一目标函数f1(vi1,vi2)和第二目标函数f2(vi1,vi2)，计算权重和函数gws(vi|wi)：gws(vi|wi)＝wi1f1(vi1,vi2)+wi2f2(vi1,vi2)；4b)设置当前循环次数b＝1，总的循环次数t＝100；4c)更新种群；4c1)从上标集合b(eq)中选择两个下标s和l，使用遗传算子从vs和vl得到新的个体y，y的形式为y＝(y1,y2)，其中y1是个体y的第一维元素，y2是个体y的第二维元素；4c2)计算新的个体y的循环模糊隶属度矩阵：其中uykx表示循环模糊隶属度矩阵中新个体y的第k行对应的第x个隶属度，循环模糊隶属度矩阵uy的每个元素uykx的计算公式如下：4c3)计算循环第一目标函数f1(y1,y2)和循环第二目标函数f2(y1,y2)：4c4)根据循环第一目标函数f1(y1,y2)和循环第二目标函数f2(y1,y2)，计算循环权重和函数gws(y|wi)：gws(y|wi)＝wi1f1(y1,y2)+wi2f2(y1,y2)；4c5)比较循环权重函数gws(y|wi)和权重函数gws(vj|wi)的大小：如果gws(y|wi)≤gws(vj|wi)，j∈b(eq)，则将种群个体vj的值更新为y，并且将gws(y|wi)的值赋值给gws(vj|wi)，反之，不进行任何操作；4d)判断更新的种群是否满足终止条件：如果不满足终止条件，即b<t，则b的值加1，返回步骤4c)；如果满足终止条件，即b≥t，得到目标函数的解集v1,v2,...,vi...,vn，执行4e)；4e)将目标函数的解集v1,v2,...,vi...,vn的vi分别代入公式：进而得到初始隶属度矩阵ui；4f)判断ui的第一行的每一个元素的大小：若元素的值大于0.5，则二值图像qk的对应像素的值为255,k＝1,2,...,100；若元素的值小于0.5，则二值图像qk的对应像素的值为0。步骤5，由已知的变化参考图像s训练深信度网络，得到训练好的深信度网络。5a)随机初始化深信度网络的权重waz和偏置baz，其中waz表示第z层第a个单元的权重，baz表示第z层第a个单元的偏置，z＝1,2,3，a＝1,2,...,100；5b)由变化参考图像s得到每个像素点的灰度值s(x),x＝1,2,...,m,由s(x)得到每个像素点被划分为变化类的概率p1(x)和每个像素点被划分为不变化类的概率p2(x)；5c)由p1(x)和p2(x)反向传播得到更新后的权重和偏置；5d)由更新后权重和偏置构成训练好的深信度网络。步骤6，根据二值图像qk和训练好的深信度网络得到最终的变化检测图像rk。6a)由二值图像qk得到每个像素点的灰度值qk(x)及qk(x)的3×3邻域的像素点的灰度值δθ,θ＝1,2,...,9；6b)将δθ输入到已训练好的深信度网络中，得到像素点x被分类到变化类的概率p1(x)和被分类到不变化类的概率p2(x)；6c)由变化的概率p1(x)和不变化的概率p2(x)得到像素点x的分类，进而得到图像中qk所有点的分类；6d)根据qk所有点的类别得到变化检测图像rk中的每个像素点灰度值：如果qk中点的分类是变化的类，则将rk中对应点的像素值设为255；如果qk中点的分类是不变化的类，则将rk中对应点的像素值设为0。6e)根据rk中的每个像素点灰度值得到最终的变化检测图像rk。步骤7，根据rk和已知的变化参考图像s，计算虚检数fp，漏检数fn，总错误数oe,和卡帕系数kc。7a)设图像rk在x处的像素的灰度值用bk(x)表示，设nc为s(x)＝255的像素点的个数，设nu为s(x)＝0的像素点的个数，设tp为bk(x)＝255的像素点的个数，设tn为bk(x)＝0的像素点的个数，设mc为变化参考图像s的像素点的总个数；7b)由nu和tn计算虚检数fp，即fp＝nu-tn；7c)由nc和tp计算漏检数fn，即fn＝nc-tp；7d)由fp和fn计算总错误数oe，即oe＝fp+fn；7e)由tp，tn和mc计算精确度pcc，即7f)由tp，tn，fp，fn，nc，nu和mc计算过度参数pre,即7g)由pcc和pre计算卡帕系数kc，即通过步骤7可检验本发明对变化检测结果的精度高低，即通过计算卡帕系数kc指标检验变化检测结果的精度。本发明的实验效果通过以下仿真说明：1.仿真实验采用的数据集：本实验仿真采用bern、ottawa和mulargia三个数据集，其中：bern数据集，如图2所示，其中图2(a)是通过传感器ers-2获得的1999年4月瑞士bern地区的图像，图2(b)是通过传感器ers-2获得的1999年5月瑞士bern地区的图像，图2(c)是变化参考图；ottawa数据集，如图3所示，其中图3(a)是加拿大ottawa地区的1997年5月的图像，图3(b)是加拿大ottawa地区的1997年8月的图像，图3(c)是变化参考图；mulargia数据集，如图4所示，其中图4(a)是1996年7月意大利撒丁岛mulargia湖泊区域的图像，图4(b)是1996年9月意大利撒丁岛mulargia湖泊区域的图像，图4(c)是变化参考图。2.仿真内容：仿真1：用本发明方法对bern数据集图2(a)和图2(b)进行变化检测，结果如图5所示，其中：图5(a)为本发明仿真bern数据集在种群个体为k＝1时得到的二值图像rk，图5(b)为本发明仿真bern数据集在种群个体为k＝20时得到的二值图像rk，图5(c)为本发明仿真bern数据集在种群个体为k＝40时得到的二值图像rk，图5(d)为本发明仿真bern数据集在种群个体为k＝60时得到的二值图像rk，图5(e)为本发明仿真bern数据集在种群个体为k＝80时得到的二值图像rk，图5(f)为本发明仿真bern数据集在种群个体为k＝100时得到的二值图像rk，将图5(a)-图5(f)与图2(c)分别进行比较，可以看出本发明的变化检测结果图像与变化参考图像很接近。仿真2：用本发明方法对图2(c)所示的bern数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，结果如表1所示：表1种群代数虚检数fp漏检数fn总错误数oe卡帕系数kc11711843550.84320982073050.86040852092940.86460852092940.86480852092940.864100852092940.864仿真3：用本发明方法对如图3(a)和图3(b)所示的ottawa数据集图进行变化检测，结果如图6所示，其中：图6(a)为本发明仿真ottawa数据集在种群个体为k＝1时得到的二值图像rk，图6(b)为本发明仿真ottawa数据集在种群个体为k＝20时得到的二值图像rk，图6(c)为本发明仿真ottawa数据集在种群个体为k＝40时得到的二值图像rk，图6(d)为本发明仿真ottawa数据集在种群个体为k＝60时得到的二值图像rk，图6(e)为本发明仿真ottawa数据集在种群个体为k＝80时得到的二值图像rk，图6(f)为本发明仿真ottawa数据集在种群个体为k＝100时得到的二值图像rk，将图6(a)-图6(f)与图3(c)分别进行比较，可以看出本发明的变化检测结果图像与变化参考图像很接近。仿真4：用本发明方法对图3(c)所示的ottawa数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，计算结果如表2所示：表2种群代数虚检数fp漏检数fn总错误数oe卡帕系数kc1362205424160.90720373205624290.90640357211724740.90460356212024760.90480356212024760.904100356212024760.904仿真5：用本发明方法对如图4(a)和图4(b)所示的mulargia数据集进行变化检测，结果如图7所示，其中：图7(a)为本发明仿真mulargia数据集在种群个体为k＝1时得到的二值图像rk，图7(b)为本发明仿真mulargia数据集在种群个体为k＝20时得到的二值图像rk，图7(c)为本发明仿真mulargia数据集在种群个体为k＝40时得到的二值图像rk，图7(d)为本发明仿真mulargia数据集在种群个体为k＝60时得到的二值图像rk，图7(e)为本发明仿真mulargia数据集在种群个体为k＝80时得到的二值图像rk，图7(f)为本发明仿真mulargia数据集在种群个体为k＝100时得到的二值图像rk，将图7(a)-图7(f)与图4(c)分别进行比较，可以看出本发明的变化检测结果图像与变化参考图像很接近。仿真6：用本发明方法对图4(c)所示的mulargia数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，计算结果如表3所示：表3种群代数虚检数fp漏检数fn总错误数oe卡帕系数kc1490832352310.71520487434752210.71440484134751880.71660484034751870.71680484034751870.716100484034751870.716仿真7：用mofcm算法对如图2(a)和图2(b)所示的bern数据集进行变化检测，结果如图8所示，其中：图8(a)为用现有mofcm算法仿真bern数据集在种群个体为k＝1时得到的二值图像rk图8(b)为用现有mofcm算法仿真bern数据集在种群个体为k＝20时得到的二值图像rk，图8(c)为用现有mofcm算法仿真bern数据集在种群个体为k＝40时得到的二值图像rk，图8(d)为用现有mofcm算法仿真bern数据集在种群个体为k＝60时得到的二值图像rk，图8(e)为用现有mofcm算法仿真bern数据集在种群个体为k＝80时得到的二值图像rk，图8(f)为用现有mofcm算法仿真bern数据集在种群个体为k＝100时得到的二值图像rk，将图8(a)-图8(f)与图2(c)分别进行比较，可以看出mofcm算法的变化检测结果图像与变化参考图像差别大。仿真8：用mofcm方法对图2(c)所示的bern数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，结果如表4所示：表4种群代数虚检数fp漏检数fn总错误数oe卡帕系数kc1760468060.72920631697000.75240774888620.70860771938640.70680771938640.706100771938640.706仿真9：用mofcm算法对如图3(a)和图3(b)所示ottawa数据集进行变化检测，结果如图9所示，其中：图9(a)为用现有mofcm算法仿真ottawa数据集在种群个体为k＝1时得到的二值图像rk，图9(b)为用现有mofcm算法仿真ottawa数据集在种群个体为k＝20时得到的二值图像rk，图9(c)为用现有mofcm算法仿真ottawa数据集在种群个体为k＝40时得到的二值图像rk，图9(d)为用现有mofcm算法仿真ottawa数据集在种群个体为k＝60时得到的二值图像rk，图9(e)为用现有mofcm算法仿真ottawa数据集在种群个体为k＝80时得到的二值图像rk，图9(f)为用现有mofcm算法仿真ottawa数据集在种群个体为k＝100时得到的二值图像rk，将图9(a)-图9(f)与图3(c)分别进行比较，可以看出mofcm算法的变化检测结果图像与变化参考图像差别大。仿真10：用mofcm方法对图3(c)所示ottawa数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，结果如表5所示：表5种群代数虚检数fp漏检数fn总错误数oe卡帕系数kc1178098627660.899203627115047770.833406007135773640.756605986154675320.749805986154675320.7491005986154675320.749仿真11：用mofcm算法对如图4(a)和图4(b)所示mulargia数据集进行变化检测，结果如图10所示，其中：图10(a)为用现有mofcm算法仿真mulargia数据集在种群个体为k＝1时得到的二值图像rk，图10(b)为用现有mofcm算法仿真mulargia数据集在种群个体为k＝20时得到的二值图像rk，图10(c)为用现有mofcm算法仿真mulargia数据集在种群个体为k＝40时得到的二值图像rk，图10(d)为用现有mofcm算法仿真mulargia数据集在种群个体为k＝60时得到的二值图像rk，图10(e)为用现有mofcm算法仿真mulargia数据集在种群个体为k＝80时得到的二值图像rk，图10(f)为用现有mofcm算法仿真mulargia数据集在种群个体为k＝100时得到的二值图像rk，将图10(a)-图10(f)与图4(c)分别进行比较，可以看出mofcm算法的变化检测结果图像与变化参考图像差别大。仿真12：用mofcm方法对图4(c)所示mulargia数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，结果如表6所示：表6种群代数虚检数fp漏检数fn总错误数oe卡帕系数kc1604628463300.67320645429767510.65740630231366150.66160626931965880.66380626931965880.663100626931965880.663仿真13：用flicm算法分别对如图2所示bern数据集、图3所示ottawa数据集及如图4所示的mulargia数据集进行变化检测，结果如图11所示，其中：图11(a)为用现有flicm算法仿真bern数据集得到的二值图像r，图11(b)为用现有flicm算法仿真ottawa数据集的得到二值图像r，图11(c)为用现有flicm算法仿真mulargia数据集的得到二值图像r。分别将图11(a)与图2(c)进行比较，将图11(b)与图3(c)进行比较，将图11(c)与图4(c)进行比较，可以看出flicm算法的变化检测结果图像与变化参考图像差别大。仿真14：用flicm算法分别对图2(c)所示bern数据集图、图3(c)所示ottawa数据集、图4(c)所示mulargia数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，结果如表7所示：表7虚检数fp漏检数fn总错误数oe卡帕系数kcbern数据集1641733370.851ottawa数据集1160171428740.892mulargia数据集19074957200310.659仿真15：用mrfsm算法分别对如图2所示的bern数据集、如图3所示的ottawa数据集及图4所示mulargia数据集进行变化检测，结果如图12所示，其中：图12(a)为用现有mrfsm算法仿真bern数据集得到的二值图像r，图12(b)为用现有mrfsm算法仿真ottawa数据集的得到二值图像r，图12(c)为用现有mrfsm算法仿真mulargia数据集的得到二值图像r。分别将图12(a)与图2(c)进行比较，将图12(b)与图3(c)进行比较，将图12(c)与图4(c)进行比较，可以看出mrfsm算法的变化检测结果图像与变化参考图像差别大。仿真16：用mrfsm算法分别对图2(c)所示bern数据集图、图3(c)所示ottawa数据集、图4(c)所示mulargia数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，结果如表8所示：表8虚检数fp漏检数fn总错误数oe卡帕系数kcbern数据集1033615103510.16ottawa数据集471218026510.897mulargia数据集159961116171120.694仿真17：用mrffcm算法分别对图2所示bern数据集、对图3所示的ottawa数据集及图4所示的mulargia数据集进行变化检测，结果如图13所示，其中：图13(a)为用现有mrffcm算法仿真bern数据集得到的二值图像r，图13(b)为用现有mrffcm算法仿真ottawa数据集的得到二值图像r，图13(c)为用现有mrffcm算法仿真mulargia数据集的得到二值图像r。将图13(a)与图2(c)进行比较，图13(b)与图3(c)进行比较，图13(c)与图4(c)进行比较，可以看出mrffcm算法的变化检测结果图像与变化参考图像差别大。仿真18：用mrffcm算法分别对图2(c)所示bern数据集、图3(c)所示ottawa数据集和图4(c)所示mulargia数据集进行计算，得到虚检数fp，漏检数fn，总错误数oe,再根据虚检数fp，漏检数fn，总错误数oe计算卡帕系数kc，结果如表9所示：表9虚检数fp漏检数fn总错误数oe卡帕系数kcbern数据集346894350.828ottawa数据集474217626500.898mulargia数据集170101182181920.6793.结果分析将表1至表9进行整合，得到表10：表10整合后的三个数据集的不同算法的比较表本发明最优kcmofcm最优kcflicm算法kcmrfsm算法kcmrffcm算法kcbern数据集0.8640.7520.8510.160.828ottawa数据集0.9070.8990.8920.8970.898mulargia数据集0.7160.6730.6590.6940.679由表10可以看出，本发明的kc的值要大于现有mofcm算法，flicm算法，mrfsm算法，mrffcm算法的kc值，说明本发明比mofcm算法，flicm算法，mrfsm算法，mrffcm算法的变化检测方法效果好，不仅减少了斑点噪声，保留了图像局部信息，而且提高了分类的准确。当前第1页12

网址：基于深信度网络的多目标优化SAR图像变化检测方法与流程 https://www.yuejiaxmz.com/news/view/628038

相关内容

基于深度学习的玻璃清洁度的检测方法及装置与流程
网络优化的方法和流程
一种基于互联网技术的生活优化方法与流程
无线网络优化流程与方法
一种基于深度学习的数据清洗方法与流程
YOLO神经网络源码优化：提升目标检测模型性能和效率的秘诀
网络优化最佳实践！百度App网络深度优化系列《三》弱网优化
深度学习在艺术品瑕疵检测与修复中的新光芒：文化遗产保护的创新前景标题：基于卷积神经网络的艺术品瑕疵检测与修复：人工智能在
网络优化流程
移动通信网络的规划与优化

随便看看