基于散射特征与低秩稀疏模型的极化SAR变化检测方法技术

本发明专利技术公开了一种基于散射功率特征与低秩稀疏模型的极化SAR图像的变化检测方法，主要解决现有技术中漏检率高和差异图可分性低的问题。其实现过程是：1)提取第一时相相干矩阵T1和第二时相相干矩阵T2；2)分别对T1和T2进行Freeman分解和配准，得第一时相的输入图像I1和第二时相的输入图像I2；3)用I1和I2构造变化图像序列I；4)用低秩稀疏分解法将变化图像序列I分解为低秩图像序列L，稀疏图像序列S和噪声图像序列G三个子图像序列之和；5)融合稀疏图像序列S,得到差异图；6)用模糊C均值的方法对差异图进行聚类，得到变化检测的结果图。本发明专利技术抗噪声强，漏检率低，检测精度高，可用于城市规划，自然灾害的评估及气候的变化监测。

【技术实现步骤摘要】
基于散射特征与低秩稀疏模型的极化SAR变化检测方法
本专利技术属于图像处理
，特别涉及极化SAR图像的变化检测方法，可应用于城市规划、生态环境考察以及自然灾害的评测。
技术介绍
极化合成孔径雷达POLSAR图像变化检测是一种从不同时间同一地点的两幅极化SAR图像中提取变化信息，生成差异图，确定地物变化信息的遥感图像处理技术。极化SAR能接收四个通道的回波信号，它能够更加全面地表示目标的散射机理，所以其图像所包含的信息量远大于单通道SAR图像。近年来，极化SAR图像变化检测已成为图像处理研究的一个新研究方向，被广泛的应用于各个领域，比如土地覆盖和利用的变化监测、城市规划、环境监测分析、自然灾害估计等。目前，极化SAR图像变化检测的研究还处于初步阶段，大致分为三类。第一类是以强度信息为特征，将传统变化检测技术提取极化SAR影像的差异信息，如将主成分分析、阈值分割及矩阵分解的等方法。但这类方法的不足之处是不能充分利用极化SAR的散射信息。第二类是以极化SAR数据为基础，利用极化SAR统计分布来提取极化SAR的差异信息，如基于极化协方差矩阵的似然比检验的变化检测方法。不过，该方法的应用前提是地物目标的极化协方差矩阵满足Wishart分布，但实际地物散射特性比较复杂，有时很难满足此条件，因此方法的通用受到限制。第三类是利用一些极化目标分解模型对极化SAR数据进行特征提取，然后寻找合适方法提取差异信息。极化目标分解是通过若干已知的基本散射解译目标散射。典型的方法有Pauli分解和Cloude分解，其中Pauli分解将将目标散射机制分解为三个基本散射矩阵的线性组合；Cloude分解将极化目标分解为三个基本散射分量的组合。然后再进行差异信息提取，如差值、比值、小波融合等，最后对差异信息进行优化，得到变化检测结果。由于极化SAR包含信息的多样性、和地物散射特性的复杂性。目前，不少的研究是沿着第三类方法的方向进行的，而这类方法由于在利用极化目标分解模型时，需要在分解前确定极化目标是否相干，以便得到好的极化特征，然而，在分解前是不易判断极化目标是否相干；同时由于该类方法在提取差异图时，没有利用图像的空间信息，也未考虑噪声的影响，从而使检测结果不准确。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于散射功率特征与低秩稀疏模型的极化SAR图像变化检测方法，以在分解前，判断出极化目标的相干性，降低变化检测的漏检率，提高检测的准确率。本专利技术的技术方案是：对读入的多时相极化SAR数据分别进行Freeman分解得到较好的散射功率特征，并用其构造极化图像序列作为稀疏低秩模型的输入，利用低秩稀疏模型对输入进行分解获得稀疏图像序列，并对其进行融合，得到可分性较好的差异图，最后使用模糊C均值聚类算法进行分割，得到变化检测的结果图，其实现步骤包括如下：(1)分别从第一时相极化数据中提取第一相干矩阵T1，第二时相极化数据中提取第二相干矩阵T2，作为Freeman分解的两个输入；(2)根据第一相干矩阵T1和第二相干矩阵T2，得大小均为c＝m×n的第一时相的输入图像I1和第二时相的输入图像I2；(3)利用第一时相图像I1，第二时相图像I2构造(k-2)幅变化图像Ii；并用I1、I2和Ii组成k幅变化图像序列I＝[i1,…ii,…ik]，其中，i＝2,3,…,k-1,k为图像序列中图像的个数，k≥30，i1对应第一时相图像I1经变换后的列向量，ii对应构造图像Ii经变换后的列向量，ik对应第二时相图像I2经变换后的列向量，且i1，ii，ik∈Rc×1，I∈Rc×k，Rc×k表示大小为c×k的实数空间；(4)用低秩稀疏分解法将图像序列I分解为三个子图像序列之和：I＝L+S+G，其中，S为稀疏图像序列，L为低秩图像序列，G为噪声图像序列，L,S,G∈Rc×k，且S＝{s1,…sl,…,sk}，sl是稀疏图像序列S中第l个列向量，l＝1,2,…,k；(5)用加权均值融合的方法，对稀疏图像序列S进行融合，得到差异图，差异图的大小为c×1；(6)用模糊C均值方法，对差异图进行聚类，得到最后的变化检测结果图。本专利技术与现有的技术相比具有以下优点：1.本专利技术针对极化SAR的散射特性，利用Freeman分解将多时相极化SAR数据分解为三个散射功率特征，并针对不同地物，选择不同的散射功率作为变化检测的输入，提高了变化检测的准确率；2.本专利技术中使用的低秩稀疏方法，既考虑了多时相图像内的邻域信息，又考虑了多时相图像之间的差异信息，降低了变化检测的漏检率；3.本专利技术中使用的加权平均的方法，由于稀疏图像序列中的每一幅图像仅能检测中部分的变化信息，因而，提高了差异图的可分性，进而提高了变化检测的准确率。附图说明图1是本专利技术的实现流程图；图2是本专利技术中第一时相和第二时相的Pauli图；图3是本专利技术仿真所使用的日本东京机场跑道极化SAR图像数据集；图4是通过人工标记得到图2的标准变化检测结果图；图5是用传统和本专利技术变化检测方法对图2的变化检测结果图；图6是本专利技术仿真所使用的日本东京部分植被区遥感图像数据集；图7是通过人工标记得到图5的标准变化检测结果图；图8是用传统和本方法变化检测方法对图5的变化检测结果图。具体实施方式以下结合附图，对本专利技术的实施例和效果做进一步说明：参照图1，本专利技术基于散射特征与低秩稀疏模型的极化SAR变化检测方法，包括如下步骤：步骤1:从两时相的极化SAR数据中提取相应的两时相相干矩阵。本实例使用从空载卫星ALOS获取的两时相极化SAR数据，即第一时相极化SAR数据和第二时相极化SAR数据；1a)从第一时相极化SAR数据中提取第一相干矩阵T1；1b)从第二时相极化SAR数据中提取第二相干矩阵T2。步骤2:根据第一相干矩阵T1和第二相干矩阵T2，得大小均为c＝m×n的第一时相的输入图像I1和第二时相的输入图像I2。2a)利用如下公式分别对第一相干矩阵T1和第二相干矩阵T2分别进行Freeman分解：Pv＝8Fv/3，其中Fv为体散射分量的分解系数Pd＝Fd(1+α2)，其中Fv为二面角散射分量的分解系数，α为常数Ps＝Fs(1+β2)，其中Fs为平面散射分量的分解系数，β为常数得第一时相散射功率图像Pd1、Pv1、Ps1和第二时相散射功率图像Pd2、Pv2、Ps2；2b)对第一时相散射功率图像和第二时相散射功率图像分别进行配准，得到配准后第一时相散射功率图像Pd1'、Pv1'、Ps1'和第二时相散射功率图像Pd2'、Pv2'、Ps2'；2c)根据不同区域的不同地物对应不同的散射功率图像特征进行特征图像选择：从第一时相的散射功率图像Pd1'、Pv1'、Ps1'中选出能反应变化信息的散射功率特征图像，记为第一时相的输入图像I1；从第二时相的散射功率图像Pd2'、Pv2'、Ps2'中选出能反应变化信息的散射功率特征图像，记为第二时相的输入图像I2。步骤3:构造k-2幅变化图像。3a)用对数比值法，从第一时相图像I1和第二时相图像I2中提取初始变化区域I0；3b)利用第一时相图像I1，第二时相图像I2以及初始变化区域I0，得到k-2幅变化图像Ii：其中，Fi表示变化图像Ii中发生变化的区域，Ui表示变化图像Ii中没有发生变化的区域,表示将初始本文档来自技高网...

【技术保护点】
一种基于散射特征与低秩稀疏模型的极化SAR变化检测方法，包括：(1)分别从第一时相极化数据和第二时相极化数据中提取第一相干矩阵T1和第二相干矩阵T2作为Freeman分解的两个输入；(2)根据第一相干矩阵T1和第二相干矩阵T2，得大小均为c＝m×n的第一时相的输入图像I1和第二时相的输入图像I2；(3)利用第一时相图像I1，第二时相图像I2构造(k‑2)幅变化图像Ii；并用I1、I2和Ii组成k幅图像序列I＝[i1,…ii,…ik]，其中，i＝2,3,…,k‑1,k为图像序列中图像的个数，k≥30，i1对应第一时相图像I1经变换后的列向量，ii对应构造图像Ii经变换后的列向量，ik对应第二时相图像I2经变换后的列向量，且i1，ii，ik∈R

【技术特征摘要】
1.一种基于散射特征与低秩稀疏模型的极化SAR变化检测方法，包括：(1)分别从第一时相极化数据和第二时相极化数据中提取第一相干矩阵T1和第二相干矩阵T2作为Freeman分解的两个输入；(2)根据第一相干矩阵T1和第二相干矩阵T2，得大小均为c＝m×n的第一时相的输入图像I1和第二时相的输入图像I2；(3)利用第一时相图像I1，第二时相图像I2构造(k-2)幅变化图像Ii；并用I1、I2和Ii组成k幅图像序列I＝[i1,…ii,…ik]，其中，i＝2,3,…,k-1,k为图像序列中图像的个数，k≥30，i1对应第一时相图像I1经变换后的列向量，ii对应构造图像Ii经变换后的列向量，ik对应第二时相图像I2经变换后的列向量，且i1，ii，ik∈Rc×1，I∈Rc×k，Rc×k表示大小为c×k的实数空间；(4)用低秩稀疏分解法将图像序列I分解为三个子图像序列之和：I＝L+S+G，其中，S为稀疏图像序列，L为低秩图像序列，G为噪声图像序列，L,S,G∈Rc×k，且S＝{s1,…sl,…,sk}，sl是稀疏图像序列S中第l个列向量，l＝1,2,…,k；(5)用加权平均融合的方法，对稀疏图像序列S进行融合，得到差异图，差异图的大小为c×1；(6)用模糊C均值方法，对差异图进行聚类，得到最终变化检测结果图。2.根据权利要求1所示的方法，其中步骤(2)中根据第一相干矩阵T1和第二相干矩阵T2，得大小均为c＝m×n的第一时相的输入图像I1和第二时相的输入图像I2；按如下步骤进行：2a)利用如下公式分别对第一相干矩阵T1和第二相干矩阵T2分别进行Freeman分解：Pv＝8Fv/3，其中Fv为体散射分量的分解系数Pd＝Fd(1+α2)，其中Fv为二面角散射分量的分解系数，α为常数Ps＝Fs(1+β2)，其中Fs为平面散射分量的分解系数，β为常数得第一时相散射功率图像Pd1、Pv1、Ps1和第二时相散射功率图像Pd2、Pv2、Ps2；2b)对第一时相散射功率图像和第二时相散射功率图像分别进行配准，得到配准后第一时相散射功率图像Pd1'、Pv1'、Ps1'和第二时相散射功率图像Pd2'、Pv2'、Ps2'；2c)根据不同区域的不同地物对应不同的散射功率图像特征，通过特征选择，从第一时相的散射功率图像Pd1'、Pv1'、Ps1'中选出能反应变化信息的散射功率特征图像，记为第一时相的输入图像I1；从第二时相的散射功率图像Pd2'、Pv2'、Ps2'中选出能反应变化信息的散射功率特征图像，记...

【专利技术属性】
技术研发人员：缑水平，刘一舟，焦李成，白静，张丹，刘波，马文萍，马晶晶，
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