技術特征：

1.一種基于無監(jiān)督深度神經(jīng)網(wǎng)絡的異質圖像變化檢測方法，其特征在于，包括如下步驟：

步驟一：選取兩幅同一地區(qū)不同時相的異質圖像，記為圖像I₁和圖像I₂，利用深度神經(jīng)網(wǎng)絡以圖像I₁所有點的鄰域信息為輸入，重構圖像I₂的鄰域信息，得到初始的重構映射函數(shù)f₁(x)，獲取初始差異圖DI₁；

步驟二：在步驟一得到的初始差異圖DI₁中選取樣本點，重新訓練深度神經(jīng)網(wǎng)絡，得到最終的重構映射函數(shù)f(x)；

步驟三：利用步驟二中得到的最終的重構映射函數(shù)f(x)，獲取差異圖DI，得到最終的變化檢測結果。

2.如權利要求1所述的基于無監(jiān)督深度神經(jīng)網(wǎng)絡的異質圖像變化檢測方法，其特征在于，所述的步驟一具體包括如下步驟：

步驟101：選取兩幅同一地區(qū)不同時相的異質圖像，記為圖像I₁和圖像I₂，以位置(i,j)像素為中心像素，取大小為5×5的窗口，像素總個數(shù)為N＝25，提取兩幅圖像I₁、I₂的鄰域信息IF₁、IF₂；

步驟102：隨機初始化深度神經(jīng)網(wǎng)絡；

步驟103：將圖像I₁的鄰域信息IF₁逐點輸入到步驟102的深度神經(jīng)網(wǎng)絡中，以圖像I₂的鄰域信息IF₂的對應點作為標簽，使用基于最小交叉熵的共軛梯度算法更新網(wǎng)絡參數(shù)；

步驟104：不斷重復步驟103直至誤差小于規(guī)定的閾值或深度神經(jīng)網(wǎng)絡的計數(shù)器計值大于其最大迭代次數(shù)，得到利用IF₁重建IF₂的映射函數(shù)f₁(x)；

步驟105：根據(jù)映射函數(shù)f₁(x)計算重構誤差矩陣I_error1；

步驟106：歸一化I_error1,記為初始差異圖DI₁。

3.如權利要求2所述的基于無監(jiān)督深度神經(jīng)網(wǎng)絡的異質圖像變化檢測方法，其特征在于，所述的步驟102中以初始化迭代計數(shù)器t＝0、最大迭代次數(shù)T＝50初始化深度神經(jīng)網(wǎng)絡；所述的步驟103中基于最小交叉熵的共軛梯度算法更新網(wǎng)絡參數(shù)過程中t＝t+1；所述的步驟105中重建誤差矩陣I_error1在(i,j)處的取值為：

4.如權利要求1所述的基于無監(jiān)督深度神經(jīng)網(wǎng)絡的異質圖像變化檢測方法，其特征在于，所述的步驟二具體包括如下步驟：

步驟201：將步驟一得到的初始差異圖DI₁進行閾值分割，得到初始檢測結果Iout₁；

步驟202：選取IF₁、IF₂中對應的Iout₁中為0的點，組成新的集合IF₁₀、IF₂₀；

步驟203：隨機初始化深度神經(jīng)網(wǎng)絡；

步驟204：將IF₁₀逐點輸入到步驟203的深度神經(jīng)網(wǎng)絡中，以IF₂₀的對應點作為標簽，使用基于最小交叉熵的共軛梯度算法更新網(wǎng)絡參數(shù)；

步驟205：不斷重復步驟204直至誤差小于規(guī)定的閾值或深度神經(jīng)網(wǎng)絡的計數(shù)器計值大于其最大迭代次數(shù)，得到新的映射函數(shù)f(x)，即為最終的重構映射函數(shù)。

5.如權利要求4所述的基于無監(jiān)督深度神經(jīng)網(wǎng)絡的異質圖像變化檢測方法，其特征在于，所述的所述的步驟203中以初始化迭代計數(shù)器t＝0、最大迭代次數(shù)T＝50初始化深度神經(jīng)網(wǎng)絡；所述的步驟204中基于最小交叉熵的共軛梯度算法更新網(wǎng)絡參數(shù)過程中t＝t+1。

6.如權利要求1所述的基于無監(jiān)督深度神經(jīng)網(wǎng)絡的異質圖像變化檢測方法，其特征在于，所述的步驟三具體包括如下步驟：

步驟301：根據(jù)得到的最終的重構映射函數(shù)f(x)計算重建誤差矩陣I_error；

步驟302：歸一化I_error,即為差異圖DI；

步驟303：對DI進行閾值分割，得到最終的變化檢測結果I_out；

步驟304：輸出變化檢測結果I_out。

7.如權利要求6所述的基于無監(jiān)督深度神經(jīng)網(wǎng)絡的異質圖像變化檢測方法，其特征在于，所述的步驟301中重建誤差矩陣I_error在(i,j)處的取值為：