買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜核工業(yè)北京地質研究院申請的專利基于耦合判別特征自學習網(wǎng)絡的遙感圖像變化檢測方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN112529837B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202011216694.4，技術領域涉及：G06V10/82；該發(fā)明授權基于耦合判別特征自學習網(wǎng)絡的遙感圖像變化檢測方法是由秦凱;陳璞花;朱玲;孫杰;楊越超;崔鑫;李明設計研發(fā)完成，并于2020-11-04向國家知識產(chǎn)權局提交的專利申請。

本基于耦合判別特征自學習網(wǎng)絡的遙感圖像變化檢測方法在說明書摘要公布了：本發(fā)明提出了基于耦合判別特征自學習網(wǎng)絡的遙感圖像變化檢測方法。該方法主要設計了耦合判別特征自學習網(wǎng)絡，該網(wǎng)絡通過兩個子網(wǎng)絡分別對待檢測圖像進行特征提取，所建立的耦合訓練模型可得到耦合特征空間，該空間中特征的判別能力將增強，有助于生成更加分明的差異圖，得到準確的變化檢測結果。該方法不需要標簽數(shù)據(jù)，并且不受數(shù)據(jù)類型的限制，具有廣闊應用空間。該方法的有效性在公開數(shù)據(jù)集上進行了驗證。

本發(fā)明授權基于耦合判別特征自學習網(wǎng)絡的遙感圖像變化檢測方法在權利要求書中公布了：1.基于耦合判別特征自學習網(wǎng)絡的遙感圖像變化檢測方法，其特征在于，包括以下步驟：步驟一：建立網(wǎng)絡結構模型，包含兩個子網(wǎng)絡：G網(wǎng)絡和F網(wǎng)絡；G網(wǎng)絡層數(shù)為lG,第i層神經(jīng)元的個數(shù)為F網(wǎng)絡層數(shù)為lF,第i層神經(jīng)元的個數(shù)為滿足條件所述步驟一中：建立網(wǎng)絡結構模型,還包括如下具體步驟：所述G網(wǎng)絡和F網(wǎng)絡的結構為典型全連接網(wǎng)絡，網(wǎng)絡的輸入端為遙感圖像的各個像素的原始特征，使用像素周圍局部區(qū)域的像素作為原始特征p,p∈Rs×1，該特征就包含了中心像素的局部鄰域信息；G網(wǎng)絡輸出和F網(wǎng)絡輸出分別由如下式1、2表示： 其中，I1和I2為待檢測的兩幅遙感圖像，每幅遙感圖像的尺寸均為M×N，其中，M為遙感圖像寬度，N為遙感圖像高度；g·和f·表示G網(wǎng)絡和F網(wǎng)絡的映射函數(shù)，包含的參數(shù)分別為WG,θG和WF,θF，其中W表示網(wǎng)絡的權重，θ表示網(wǎng)絡偏置；G網(wǎng)絡和F網(wǎng)絡的網(wǎng)絡層數(shù)及每層的節(jié)點數(shù)可進行調節(jié)，但必須滿足網(wǎng)絡輸出Out_G和網(wǎng)絡輸出Out_F的維度一致，通過定義網(wǎng)絡輸出Out_G和網(wǎng)絡Out_F之間的關系，實現(xiàn)兩個網(wǎng)絡的耦合自學習；步驟二：設計耦合判別特征自學習網(wǎng)絡的目標函數(shù)，實現(xiàn)判別特征的自學習過程；所述步驟二設計耦合判別特征自學習網(wǎng)絡的目標函數(shù)，實現(xiàn)判別特征的自學習過程，還包括如下具體步驟：使用一個目標函數(shù)作為兩個網(wǎng)絡耦合學習的最終目標函數(shù)，目標函數(shù)如下式34： 0≤Sx,y≤1…………………4其中，和分別是輸入圖像I1和I2預處理后的特征圖像；Sx,y是用于表示像素未變化概率，數(shù)值接近1表示和是未變化的概率較大，數(shù)值接近0表示像素是變化的概率較大；x、y分別表示像素點在特征圖像上的坐標；步驟三：耦合判別特征自學習網(wǎng)絡的訓練過程；步驟3.1：數(shù)據(jù)預處理；步驟3.2：網(wǎng)絡初始化；步驟3.3：初始化矩陣S；步驟3.4：交替優(yōu)化網(wǎng)絡參數(shù)；步驟3.5：更新矩陣S；步驟3.6：待目標函數(shù)收斂，或達到最高迭代次數(shù)，優(yōu)化過程結束；所述步驟3.1數(shù)據(jù)預處理，還包括：將待檢測圖像對每個像素位置進行特征抽取，使用3×3、5×5或7×7的窗口滑窗進行，將窗口內(nèi)的圖像塊轉化為列向量，作為中心像素的特征向量；步驟3.2網(wǎng)絡初始化包括：使用自編碼器網(wǎng)絡訓練方式進行網(wǎng)絡預訓練，完成初始化過程；對G網(wǎng)絡使用待測圖像I1中隨機抽取的50％的數(shù)據(jù)進行訓練，對F網(wǎng)絡使用待測圖像I2中隨機抽取的50％的數(shù)據(jù)進行訓練；步驟3.3初始化矩陣S，包括：使用隨機初始化生成初始化的像素未變化矩陣S，初始化矩陣元素在[0,1]，滿足高斯分布；步驟3.4交替優(yōu)化網(wǎng)絡參數(shù),包括：通過交替優(yōu)化對耦合判別特征學習網(wǎng)絡進行訓練；交替優(yōu)化耦合判別特征學習網(wǎng)絡訓練分為三步：步驟3.4.1：F網(wǎng)路的映射函數(shù)f·不變，訓練G網(wǎng)絡的映射函數(shù)g·，利用反向傳播方法更新G網(wǎng)絡中的參數(shù)，獲得訓練好的網(wǎng)絡映射函數(shù)g·，目標函數(shù)如下式5： 步驟3.4.2：G網(wǎng)絡的映射函數(shù)g·不變，訓練F網(wǎng)路的映射函數(shù)f·，利用反向傳播方法更新網(wǎng)絡F中的參數(shù)，獲得訓練好的網(wǎng)絡映射函數(shù)f·，目標函數(shù)如下式6： 網(wǎng)絡訓練方法使用反向傳播方法,在像素未變化概率Sx,y的控制下，進行誤差反向傳播，更新參數(shù)，最小化公式5和公式6；步驟3.5：給定g·和f·，更新像素未變化矩陣S包括：根據(jù)式7計算S中的各個元素；在g·和f·給定的情況下，得到待檢測圖像的特征表示，Sx,y代表x,y位置的像素為非變化像素的概率，應與該位置像素特征的差值程反比的關系；在此基礎上，通過公式7更新像素未變化矩陣S： 步驟3.6：待目標函數(shù)收斂，或達到最高迭代次數(shù)，該優(yōu)化過程結束，判斷條件如下所示：判斷條件1：連續(xù)20次迭代目標函數(shù)值的變化不超過0.001；判斷條件2：迭代次數(shù)大于最大迭代次數(shù)MaxIter，MaxIter＝2000；若滿足上述一種停止條件，則進行步驟四，若不滿足停止條件，返回步驟3.4，繼續(xù)訓練過程；步驟四：計算差異圖；步驟五：生成變化檢測結果圖。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人核工業(yè)北京地質研究院，其通訊地址為：100029 北京市朝陽區(qū)小關東里十號院；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。