(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 202210644526.8 (22)申请日 2022.06.08 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 贾璐　章天天　 (74)专利代理 机构 济南舜科知识产权代理事务 所(普通合伙) 37274 专利代理师 杜忠福 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于图卷积网络的SAR图像 变化检测方法 (57)摘要 本发明公开了一种基于图卷积网络的SAR图 像变化检测方法， 主要解决现有卷积神经网络处 理像素级别图像只能考虑固定邻域信息而导致 抗噪性不高和检测精度低下的问题。 其实现步骤 是： (1)对原始两时刻SAR图像进行超像素分割， 得到两时刻超像素分割图像； (2)利用两时刻超 像素分割图得到特征差异矩阵； (3)利用稀疏表 示方法对特征差异矩 阵进行处理得到稀疏系数 矩阵； (4)利用两时刻超像素分割图像构建立体 图模型， 得到图特征矩阵； (5)利用图卷积网络对 稀疏系数矩阵和图特征矩阵进行处理， 得到最终 的变化检测结果。 本发明与卷积神经网络方法相 比， 具有检测精度高， 变化区域边界保持好， 抗噪 声能力强的优点， 可用于SAR图像 变化检测。 权利要求书3页 说明书6页 附图3页 CN 114897878 A 2022.08.12 CN 114897878 A 1.一种基于图卷积网络的SAR图像 变化检测方法， 包括 A1)对原始两时刻SAR图像 和 进行超像素分割， 得到两时刻超像素分割图像 和 其中t0和t1表示两幅SAR图像获取的时间， 下 标sp指示图像为超像素分割图； A2)利用超像素分割图像 和 得到两时刻特征矩阵 和 进而得到两时刻 的特征差异矩阵 其中下标dif指示矩阵为差异 矩阵； A3)利用稀疏表示方法对特 征差异矩阵 进行处理， 得到稀疏系数矩阵A； A4)利用超像素分割图像 和 构建立体图模型， 得到图特 征矩阵X； A5)利用图卷积网络对稀疏系数矩阵A和图特征矩阵X进行处理， 得到最终的变化检测 结果。 2.根据权利要求1所述方法， 其中步骤A1)所述的获得两时刻超像素分割图像 和 按如下步骤进行： A11)在第一时刻图像 上以间隔 确定初始聚类中心Ci＝[li,ai,bi,xi,yi ]T， 其中， N是图像 像素点个数， k为固定常数， 表示相邻聚类中心之间的距离， li,ai,bi 是Lab色彩模 型的三个要素， li表示照度， ai表示从红色至 绿色的范围， bi表示从蓝色至黄 色 的范围， xi,yi分别表示像素点的横纵坐标， i是聚类中心下 标； A12)计算每个像素j与若干聚类中心的距离D， 这些聚类中心的搜索范围覆盖这个像 素， 通过计算将 j与最近的聚类中心相关联， 按如下公式进行： 其中， i代表聚类中心， j代表聚类中心搜索范围内的像素点， dc表示两个像素点之间的 颜色接近度， ds表示两个像素点之间的空间距离， Nc为固定常数， 表示最大颜色距离， 表示期望的最大空间距离； A13)待所有像素点分配聚类 中心完毕， 将聚类 中心调整为该聚类 中所有像素的平均值 Cnew＝[lmean,amean,bmean,xmean,ymean]T； A14)计算 新的聚类中心和之前聚类中心之间的残差 E， 按如下公式进行： A15)重复A12) ‑A14)步骤， 直到误差E收敛， 完成对图像 的超像素分割,得到超像素 分割图像 A16)根据A15)的结果对图像 进行相同的超像素分割， 得到超像素分割图像 权　利　要　求　书 1/3 页 2 CN 114897878 A 23.根据权利要求1所述方法， 其中步骤A2)所述的获得两时刻SAR图像特征差异矩阵 按如下步骤进行： A21)对图像 和 中的每一组对应超像素， 分别获得灰度均值 灰度标准差 熵H三个特 征， 按如下公式进行： 其中， M,N代表超像素中像素点的横、 纵坐标集合， f(x,y)表示坐标x,y处像素点灰度 值， num代表超像素中像素点个数， g表示超像素 中灰度级别的数量， pe表示各个灰度级别出 现的概率； A22)利用获得的特征值， 得到超像素分割图像 和 的特征矩阵 和 按如 下公式进行： 其中， 表示图像 中第o块超像素的特征向量， 表示图像 中第o块 超像素的灰度均值、 灰度标准差和熵， sp_num表示图像 和 中超像素的数量； A23)利用特 征矩阵 和 得到特征差异矩阵 按如下公式进行： 其中， 表示图像 和 中第o组对应超像素之间的差异特 征向量。 4.根据权利要求1所述方法， 其中A3)所述的获得稀疏系数矩阵A， 按如下步骤进行： 将特征差异矩阵 作为过完备字典， 同时作为样本空间， 利用稀疏表示得到稀疏系 数矩阵A， 按如下公式进行： A＝(z1,...zo,...zsp_num) 其中||·||1是向量的l1范式， 意为元素的绝对值之和， zo是用 表示 的稀疏系 数。 5.根据权利要求1所述方法， 其中A4)所述的获得图特 征矩阵X， 按如下步骤进行：权　利　要　求　书 2/3 页 3 CN 114897878 A 3