本发明属于合成孔径雷达图像检测，具体涉及到一种合成孔径雷达图像自动变化检测方法。
背景技术：
1、合成孔径雷达(synthetic aperture radar，sar)变化检测是一种通过比较不同时期获取的sar图像来确定地表实际变化的方法。由于sar具备全天候和全天时获取地表信息的能力，它已广泛应用于环境监测、灾害评估、城市扩展监测和军事侦察等领域。与光学图像相比，sar能够穿透云层和降水，即使在恶劣天气条件下也能获得高质量的地表信息。
2、近年来，许多研究人员提出了各种合成孔径雷达(sar)变化检测的方法，大多数是无监督的。张等人在网络中引入了多头注意机制，以增强网络的语义表示能力(j.zhang,m.cui,and b.wang,“sar image change detection method based on neural-crfstructure,”in 2021ieee international geoscience and remote sensing symposiumigarss,pp.3797–3800,ieee,2021.)。王等人引入了分层异构图，与基于原始sar图像进行实验的传统方法不同，该方法基于权重图和相似度图进行实验，从而获得更强健的检测结果(j.wang,t.zhao,x.jiang,and k.lan,“a hierarchical heterogeneous graph forunsupervised sar image change detection,”ieee geoscience and remote sensingletters,vol.19,pp.1–5,2022.)。尚等人提出了一种基于均值漂移预分类和改进模糊c均值(fuzzy c-means，fcm)聚类的sar图像变化检测方法，有效减轻了噪声对检测结果的影响(r.shang,k.xie,m.a.okoth,and l.jiao,“sar image change detection based on meanshift pre-classification and fuzzy cmeans,”in igarss 2019-2019ieeeinternational geoscience and remote sensing symposium,pp.2358–2361,2019.)。
3、尽管许多方法在sar变化检测方面取得了改进，但仍需解决一些问题。斑点噪声的处理一直是影响变化检测方法准确性的关键因素。例如，基于lee滤波器和kuan滤波器的传统方法可以有效减少斑点噪声，但往往会模糊边缘信息。高等人在sar图像变换检测中应用了pca(principal component analysis，pca)滤波器，可以很好地保留图像细节(f.gao,j.dong,b.li,and q.xu,“automatic change detection in synthetic aperture radarimages based on pcanet,”ieee geoscience and remote sensing letters,vol.13,no.12,pp.1792–1796,2016.)。然而，由于pca基于一维向量，将二维矩阵转换为一维向量通常会导致高维向量空间，这增加了存储空间需求并使得特征向量计算非常耗时。特别是，图像矩阵的固有二维结构会被移除，使得网络难以抑制斑点噪声对检测的影响。
技术实现思路
1、本发明所要解决的技术问题在于克服现有技术的缺点，提供一种计算量小、检测准确性高的合成孔径雷达图像自动变化检测方法。
2、解决上述技术问题所采用的技术方案是：一种合成孔径雷达图像自动变化检测方法，包括以下步骤：
3、步骤1.对同一地区不同时刻、大小为m×n的sar图像i1和i2通过对数比操作生成差分图d，应用gabor滤波器提取差分图d中每个像素5个尺度8个方向的gabor特征，并计算8个方向中的最大的gabor特征值，构成该像素最终的特征向量，该特征向量的维度为5；
4、步骤2.使用fcm聚类方法对特征向量进行分类，生成伪类标，伪类标由变化类、不确定类和未变化类组成，为每个像素点分配一个初始类标；
5、步骤3.根据fcm聚类结果，从明确分类为“变化类”和“未变化类”的像素点中选取q个像素点；
6、步骤4.分别从sar图像i1和i2中提取以q个像素点中每个像素点为中心，大小为w×w的像素块和将图像相同位置的像素块垂直连接形成训练样本r，样本大小为2w×w，并将训练样本r与它们的伪类标对应起来，生成训练样本r的类别标签；
7、步骤5.将训练样本进行归一化处理，消除不同图像或不同区域之间的灰度差异，将归一化处理后的训练样本r及其对应的类别标签组成训练集；
8、步骤6.采用训练集训练重构2dpcanet模型
9、步骤6.1.将训练集作为重构2dpcanet模型的输入，构建第一层滤波器
10、a1)重构2dpcanet模型对训练样本r进行尺寸为w×w的块采样，得到w+1个图像块，计算每个图像块的协方差矩阵，并按照下式得到所有图像块整体的平均协方差矩阵s:
11、
12、式中，是第i个样本的第j个图像块，q是训练样本的总数，t是转置符号；
13、a2)对平均协方差矩阵s进行特征值分解，选择前l个最大特征值及其对应的特征向量作为网络模型的第一层滤波器；
14、a3)对输入的第i个训练样本逐像素取尺寸为w×w的图像块并进行投影，通过第一层滤波器按照下式重构生成重构块选择所有重构块的中心元素构成大小为2w×w的图像块作为第一层滤波器的输出；
15、
16、式中,是第一层滤波器第i个样本第k个图像块的重构块，wl1是第一层滤波器，l∈[1,l]，t是转置符号，di,k是第i个样本的第k个图像块；
17、步骤6.2.以第一层的滤波器的输出作为输入，重复步骤a1～a2构建第二层滤波器，第二层滤波器对第一层滤波器的输出进行投影并特征提取，提取出新的细化特征进行重构生成重构块，选择所有重构块的中心元素构成大小为2w×w的图像块作为第二层滤波器的输出；
18、步骤6.3.将第二层滤波器的输出进行二值化处理，并使用哈希编码将其转化为十进制整数值图像，最后通过计算局部块的直方图来提取图像特征，为每个样本生成一个特征输出；
19、步骤6.4.将步骤6.3输出的特征输入到分类器中，训练分类器以区分变化和未变化的像素点，完成重构2dpcanet模型的训练；
20、步骤7.将步骤2中标记为“不确定类”的像素点作为中心从sar图像i1和i2中提取大小为w×w的像素块，将图像相同位置的像素块垂直连接形成大小为2w×w图像块，将该图像块输入到训练完的重构2dpcanet模型中进行分类，对伪类标已经确定为“变化类”或“未变化类”的像素点，直接使用伪类标为其最终分类标签；
21、步骤8.完成所有像素点的分类后，生成最终的变化图，显示变化区域和未变化区域。
22、作为一种优选的技术方案，在步骤2中，所述使用fcm聚类方法对特征向量进行分类，生成伪类标的方法为：使用fcm聚类方法对特征向量进行初步分类，分为变化区域和未变化区域；在初步分类的基础上，再次使用fcm聚类方法对特征向量进行二级分类，将特征向量分为五个类别，并计算每个类别的加权平均值，根据每个类别的加权平均值及设定的阈值tupper和tlower进一步分类，生成由变化类、不确定类和未变化类组成的伪类标。
23、作为一种优选的技术方案，所述阈值为：
24、
25、式中，n1是变化类像素点的总数量，n2是未变化类像素点的总数量。
26、本发明的有益效果如下：
27、本发明利用重构2dpcanet模型在sar图像变化检测中实现更高的准确性，有效区分变化和未变化区域，尤其在图像降噪和细节保留方面取得了良好的结果，减少了斑点噪声对检测结果的干扰。
28、本发明重构2dpcanet模型的2dpca滤波器直接在二维图像矩阵上操作，不需要将矩阵转换为一维向量，有效减少了存储空间的需求，且能够更好地提取sar图像的空间特征信息，提高检测结果的鲁棒性。
29、本发明与传统深度学习网络相比，重构2dpcanet模型结构简单，只有两层，减少了对计算资源和内存的需求，适用于多种sar图像变化检测场景，包括环境监测、灾害评估、城市扩展监测和军事侦察等领域。
1.一种合成孔径雷达图像自动变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述合成孔径雷达图像自动变化检测方法，其特征在于，在步骤2中，所述使用fcm聚类方法对特征向量进行分类，生成伪类标的方法为：使用fcm聚类方法对特征向量进行初步分类，分为变化区域和未变化区域；在初步分类的基础上，再次使用fcm聚类方法对特征向量进行二级分类，将特征向量分为五个类别，并计算每个类别的加权平均值，根据每个类别的加权平均值及设定的阈值tupper和tlower进一步分类，生成由变化类、不确定类和未变化类组成的伪类标。
3.根据权利要求2所述合成孔径雷达图像自动变化检测方法，其特征在于，所述阈值为：
