基于深度曲波差分DSN的极化SAR图像变化检测方法技术

本发明专利技术公开了一种基于深度曲波差分DSN的极化SAR图像变化检测方法，主要解决现有方法中极化SAR图像变化检测没有考虑极化SAR图像特有的多尺度特征，而且检测精度不高的问题。本发明专利技术的具体步骤如下：(1)输入极化SAR图像；(2)获得极化散射矩阵；(3)计算极化协方差矩阵；(4)获得滤波后的极化协方差矩阵；(5)计算归一化后的极化协方差矩阵；(6)构造数据集；(7)构造多尺度差分变化检测模型；(8)训练多尺度差分变化检测模型；(9)获得变化检测结果。本发明专利技术具有对极化SAR图像的多尺度特征提取好和检测精度高的优点。

Polarization SAR image change detection method based on deep Qu Bo difference DSN

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图像做比值操作，得到比值图。最后阶段设置合理的阈值，根据比值图求得变化检测图。由于该方法只考虑两幅图像的局部特征，虽然能够得到较好的变化检测结果，但是，该方法仍然存在的不足之处是，该方法没有考虑极化合成孔径雷达SAR图像特有的多尺度特征，所以仍存在变化检测精度不高的问题。天津大学在其申请的专利文献“基于极化状态提取的极化合成孔径雷达SAR图像变化检测方法”(专利申请号：201610526246.1，公开号：106204569A)中提出了一种基于极化状态提取图像变化检测方法。该方法首先对已配准的两时相图像分别进行去取向和相干斑抑制的预处理操作；自动选取预处理后两时相图像中的不变目标作为样本，并构造样本目标的特征矢量；寻找使得目标特征矢量相似性系数最大的极化椭圆率角和极化方位角作为该样本目标的最优极化状态；将两幅图像所有样本目标的最优极化状态取平均后得到整幅图像的最优极化状态组合χopt和ψopt，并在最优极化状态下构造变化检测特征量。根据求得的χopt和ψopt计算极化Kennaugh矩阵，结合变化检测特征量，利用极化合成公式，计算两个时相极化合成孔径雷达SAR图像对应目标在最优极化状态下的接收功率PA和PB，并构造比值变化检测特征量F。利用双阈值判别方法对变化检测特征量F进行判别，得到变化检测结果F′。虽然，该方法提取了极化合成孔径雷达SAR图像特有的极化状态，对于极化状态特征明显的极化合成孔径雷达SAR图像有较好的检测，但是，该方法仍然存在的不足之处是，计算过程繁琐，对两幅极化合成孔径雷达SAR图像成像条件要求较高。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，提出了一种深度曲波差分DSN的极化合成孔径雷达SAR图像变化检测方法。本专利技术与现有其他极化合成孔径雷达SAR图像变化检测技术相比，能够有效提取极化合成孔径雷达SAR图像的特征，使得计算简便，且提高极化合成孔径雷达SAR图像变化检测的检测精度。本专利技术实现上述目的的思路是：先对输入的不同时相同一地区的极化合成孔径雷达SAR图像进行配准，再对其极化协方差矩阵进行Lee滤波，然后对滤波后的极化协方差矩阵滑窗取块得到训练样本集，再构建多尺度差分变化检测模型，用训练样本集训练模型，最后将测试数据集送入训练好的变化检测模型得到变化检测结果。本专利技术实现的具体步骤包括如下：(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未经处理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)构建多尺度差分变化检测模型：(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。本专利技术与现有技术相比具有以下优点：第一，由于本专利技术采用多尺度滤波器层，利用曲波变化中的多尺度滤波器，克服了现有技术中没有考虑极化合成孔径雷达SAR图像特有的多尺度特征，对极化合成孔径雷达SAR图像变化检测精度不高的问题，使得本专利技术可以提取极化合成孔径雷达SAR图像的多尺度特征，进而减少了变化检测的误检率。第二，由于本专利技术采用多尺度差分变化检测模型，将多尺度滤波器与深度堆栈网络模型结合，利用深度学习方法中的深度堆栈网络模型，克服了现有技术中计算过程繁琐，对两幅极化合成孔径雷达SAR图像成像条件要求较高的问题，使得本专利技术计算简便，对成像条件不好的极化合成孔径雷达SAR图像泛化性能强。附图说明图1是本专利技术的流程图；图2是本专利技术仿真实验使用的真实的极化合成孔径雷达SAR图像数据及相应的变化检测参考图；图3是本专利技术仿真实验使用的构造的极化合成孔径雷达SAR图像数据及相应的变化检测参考图；图4是本专利技术对Tokyo地区极化合成孔径雷达SAR图像的仿真实验的变化检测结果图；图5是本专利技术对构造的极化合成孔径雷达SAR图像的仿真实验的变化检测结果图。具体实施方式下面结合附图对本专利技术做进一步的描述。参照图1，本专利技术实现的具体步骤如下。步骤1，输入极化合成孔径雷达SAR图本文档来自技高网...

【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。...

【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