技術(shù)特征：

1.基于超像素分割和特征學習的SAR圖像變化檢測方法，其特征在于，包括如下步驟：

步驟101：開始基于超像素分割和特征學習的SAR圖像變化檢測方法；

步驟102：對兩幅配準后的同一地區(qū)不同時相的SAR圖像進行超像素分割；

步驟103：應(yīng)用差異度聚類法生成初始變化結(jié)果；

步驟104：根據(jù)初始變化結(jié)果在變化類和未變化類中選擇相同數(shù)量的樣本作為訓練樣本；

步驟105：將訓練樣本輸入到設(shè)計好的深度神經(jīng)網(wǎng)絡(luò)中進行訓練；

步驟106：將兩幅待檢測的圖像輸入到訓練好的深度神經(jīng)網(wǎng)絡(luò)中，得到最終的變化檢測結(jié)果；

步驟107：結(jié)束基于超像素分割和特征學習的SAR圖像變換檢測方法。

2.根據(jù)權(quán)利要求1所述的基于超像素分割和特征學習的SAR圖像變化檢測方法，其特征在于，所述的步驟102，包括如下步驟：

步驟201：對兩幅配準后待檢測的SAR圖像應(yīng)用對數(shù)比值算子生成差異圖；

步驟202：對差異圖應(yīng)用超像素分割技術(shù)進行分割，用得到的分割結(jié)果去分割待檢測的SAR圖像，保證兩幅SAR圖像分割區(qū)域的一致性；

步驟203：結(jié)束輸入SAR圖像的超像素分割。

3.根據(jù)權(quán)利要求1所述的基于超像素分割和特征學習的SAR圖像變化檢測方法，其特征在于，所述的步驟103，包括如下步驟：

步驟301：計算兩幅圖像I₁,I₂對應(yīng)分割區(qū)域R_x的相似度

步驟302：不斷重復步驟301，直到得到圖像對中所有超像素塊的相似度；

步驟303：運用模糊C均值聚類算法FCM將相似度分成3類，分別標記為變化類，未變化類和不確定類；若為變化類，則對應(yīng)的超像素分割區(qū)域內(nèi)像素值全部標記為0；若為未變化類，對應(yīng)超像素分割區(qū)域內(nèi)像素值全部標記為255；若為不確定類，對應(yīng)超像素分割區(qū)域內(nèi)像素值全部標記為125。

4.根據(jù)權(quán)利要求1所述的基于超像素分割和特征學習的SAR圖像變化檢測方法，其特征在于，所述的步驟104，包括如下步驟：

步驟401：生成一個和超像素塊數(shù)目一樣的隨機索引序列；

步驟402：找到對應(yīng)標號的超像素塊，若為變化類或未變化類則將超像素塊和標簽提取出來作為訓練樣本。

5.根據(jù)權(quán)利要求1所述的基于超像素分割和特征學習的SAR圖像變化檢測方法，其特征在于，所述的步驟105，包括如下步驟：

步驟501：提取每一個超像素塊的協(xié)方差特征，分別為均值F_μ，方差對數(shù)規(guī)范化標準偏差F_nsd和填充因子F_η；

步驟502：將待訓練樣本對應(yīng)超像素塊的協(xié)方差特征疊加起來作為輸入樣本，使用SAE預訓練得到網(wǎng)絡(luò)的初始權(quán)值和偏置，網(wǎng)絡(luò)層數(shù)設(shè)為2個隱層，每一層的節(jié)點個數(shù)分別為100和20，SAE每層訓練50代；

步驟503：使用最小交叉熵的共軛梯度BP神經(jīng)網(wǎng)絡(luò)對SAE預訓練網(wǎng)絡(luò)進行微調(diào)，訓練代數(shù)為50代；

步驟505：獲得最終訓練好的神經(jīng)網(wǎng)絡(luò)。