The invention discloses a polarization SAR image change detection method based on deep Qu Bo differential DSN. It mainly solves the problem that polarization SAR image change detection does not consider the unique multi-scale characteristics of polarimetric SAR images, and the detection accuracy is not high. The specific steps of the invention are as follows: (1) the input polarization SAR image; (2) to obtain the polarization scattering matrix; (3) to calculate the covariance matrix; (4) the covariance matrix obtained after filtering; (5) to calculate the covariance matrix normalized; (6) to construct the data set; (7) multi the scale structure difference change detection model; (8) training multiscale difference change detection model; (9) obtain the change detection results. The invention has the advantages of good multi - scale feature extraction and high detection precision for polarizing SAR image.
【技术实现步骤摘要】
基于深度曲波差分DSN的极化SAR图像变化检测方法
本专利技术属于图像处理
,更进一步涉及遥感图像变化检测
中的一种基于深度曲波差分深度堆栈网络DSN(DeepStackNetwork)的极化合成孔径雷达SAR(SyntheticApertureRadar)图像变化检测方法。本专利技术可实现对两幅不同时相获取的极化合成孔径雷达SAR图像不同区域的检测,可广泛应用于土地利用,军事监测,城市规划,灾后重建等领域。
技术介绍
极化合成孔径雷达SAR图像变化检测是指利用同一地区不同时相的两幅极化合成孔径雷达SAR图像来检测和分析地面的变化情况。由于极化合成孔径雷达SAR技术与普通光学遥感技术相比具有全天候、全天时工作的特点,使得极化合成孔径雷达SAR图像变化检测在民用领域和军事应用领域有着广泛的应用。近年来,利用极化合成孔径雷达SAR图像进行变化检测在国际遥感领域受到高度重视,已经成为图像处理领域的主要技术之一。GanchaoLiu等人在其发表的论文“AnewpatchbasedchangedetectorforpolarimetricSARdata”(PatternRecognition,2015,48(3):685-695)中提出了一种基于块相似性的极化合成孔径雷达SAR图像变化检测方法。该方法的第一阶段首先对两幅不同时相的极化合成孔径雷达SAR图像运用非局部滤波方法和块相似算法进行降噪操作。第二阶段构造等效视数估计器,分别计算降噪后的两幅极化合成孔径雷达SAR图像的等效视数。第三阶段根据求得的等效视数,对两幅降噪后的极化合成孔径雷达SAR图像做比 ...
【技术保护点】
一种基于深度曲波差分堆栈网络DSN的极化合成孔径雷达SAR图像变化检测方法,其特征在于,包括如下步骤:(1)输入极化合成孔径雷达SAR图像:输入同一地区不同时相的两幅待检测的极化合成孔径雷达SAR图像I1和I2;(2)获得极化散射矩阵:利用遥感图像配准软件,对极化合成孔径雷达SAR图像I1和I2进行配准操作,获得配准后的极化散射矩阵S1和S2;(3)获得极化协方差矩阵:利用矩阵转换方法,将极化散射矩阵S1和S2转换为极化协方差矩阵C1和C2;(4)获得滤波后的极化协方差矩阵:采用Lee滤波器,分别对极化协方差矩阵C1和C2进行滤波降噪处理,得到滤波后的极化协方差矩阵C1′和C2′;(5)计算归一化后的极化协方差矩阵:利用归一化公式,将滤波后的极化协方差矩阵C1′和C2′中的每个元素值归一化到[0,1]之间,得到归一化后的极化协方差矩阵F1和F2;(6)构建数据集:(6a)以5×5像素的滑动窗口,分别对极化协方差矩阵F1和F2取块,得到特征矩阵块集P1和P2;(6b)从特征矩阵块集P1和P2中分别随机选取5%的特征矩阵块,组成训练样本集W1和W2,将其余的特征矩阵块组成测试样本集V1和V ...
【技术特征摘要】
1.一种基于深度曲波差分堆栈网络DSN的极化合成孔径雷达SAR图像变化检测方法,其特征在于,包括如下步骤:(1)输入极化合成孔径雷达SAR图像:输入同一地区不同时相的两幅待检测的极化合成孔径雷达SAR图像I1和I2;(2)获得极化散射矩阵:利用遥感图像配准软件,对极化合成孔径雷达SAR图像I1和I2进行配准操作,获得配准后的极化散射矩阵S1和S2;(3)获得极化协方差矩阵:利用矩阵转换方法,将极化散射矩阵S1和S2转换为极化协方差矩阵C1和C2;(4)获得滤波后的极化协方差矩阵:采用Lee滤波器,分别对极化协方差矩阵C1和C2进行滤波降噪处理,得到滤波后的极化协方差矩阵C1′和C2′;(5)计算归一化后的极化协方差矩阵:利用归一化公式,将滤波后的极化协方差矩阵C1′和C2′中的每个元素值归一化到[0,1]之间,得到归一化后的极化协方差矩阵F1和F2;(6)构建数据集:(6a)以5×5像素的滑动窗口,分别对极化协方差矩阵F1和F2取块,得到特征矩阵块集P1和P2;(6b)从特征矩阵块集P1和P2中分别随机选取5%的特征矩阵块,组成训练样本集W1和W2,将其余的特征矩阵块组成测试样本集V1和V2;(7)构建多尺度变化检测模型:(7a)构建两个12层的深度堆栈网络DSN模型;(7b)用曲波变换中的多尺度滤波器,构建两个多尺度滤波器层;(7c)用两个多尺度滤波器层,分别替换两个深度堆栈网络DSN模型中第2层的隐含层,得到两个多尺度变化检测模型;(8)获得深度曲波差分堆栈网络DSN模型:将两个多尺度变化检测模型接到一个差分器上,再在差分器上接入一个二分类多层感知器,得到深度曲波差分堆栈网络DSN模型;(9)训练深度曲波差分堆栈网络DSN模型:将训练样本集W1和W2输入到深度曲波差分堆栈网络DSN模型中,对该模型进行训练,得到训练好的深度曲波差分堆栈网络DSN模型;(10)获得变化检测结果:将测试样本集V1和V2输入到训练好的深度曲波差分堆栈网络DSN模型中,输出得到的测试样本集中每个像素的变化检测结果。2.根据权利要求1所述的基于深度曲波差分堆栈网络DSN的极化合成孔径雷达SAR图像变化检测方法,其特征在于:步骤(3)中所述矩阵转换方法的具体步骤如下,其中极化协方差矩阵C1和C2的转换步骤相同:第一步,按照下式,计算待转换矩阵对应的极化相干矩阵:其中,D11表示极化相干矩阵D中第一行第一列的元素,|·|表示取绝对值操作,SHH表示卫星水平发射且水平接收形成的极化合成孔径雷达SAR图像的散射分量,SVV表示卫星垂直发射且垂直接收形成的极化合成孔径雷达SAR图像的散射分量,D12表示极化相干矩阵D中第一行第二列的元素,D13表示极化相干矩阵D中第一行第三列的元素,SHV表示卫星水平发射且垂直接收形成的极化合成孔径雷达SAR图像的散射分...
【专利技术属性】
技术研发人员:焦李成,屈嵘,张佳琪,唐旭,杨淑媛,侯彪,马文萍,刘芳,尚荣华,陈璞花,张丹,古晶,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。