基于深度堆栈网络的极化SAR影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堆栈网络的极化SAR影像变化检测方法，包括：1)得配准后两幅样本图像的极化散射矩阵S1及配准后两幅待检测图像的极化散射矩阵S2；2)生成极化协方差矩阵C；3)对极化协方差矩阵C进行预处理；4)得特征矩阵F1；5)人工标记配准后两幅样本图像的变化检测标准图；6)得基于图像块的特征矩阵F21；7)得配准后两幅待检测图像对应的基于图像块的特征矩阵F22；8)构建训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2；9)构建基于深度堆栈网络的极化SAR影像变化检测模型；10)对模型进行训练；11)根据训练后的模型对特征矩阵F22进行变化检测，该方法能够实现极化SAR影像的变化检测，操作较为简单。

Polarization SAR image change detection method based on deep stack network

The invention discloses a detection method, change of polarization SAR image stack depth based on network includes: 1) to the registration and registration of two S1 polarization scattering matrix of sample images after the two images to be detected polarization scattering matrix of S2 image; 2) to generate the covariance matrix C; 3) of the covariance matrix of C pretreatment; 4) characteristic matrix F1; 5) labeled registration changes after two sample images of the standard map; 6) features of F21 matrix based on image blocks; 7 to two) after the registration image corresponding to the characteristic matrix of F22 based on the image block; 8) W2 to construct the training feature matrix the data set D feature matrix W1 and the test data set T; 9) construction changes of polarization SAR image stack depth detection model based on network; 10) to train the model; 11) according to the training model of feature matrix F22 change detection, the The method can be used to detect the change of polarimetric SAR images, and the operation is simple.

【技术实现步骤摘要】
基于深度堆栈网络的极化SAR影像变化检测方法
本专利技术属于图像处理
，涉及一种基于深度堆栈网络的极化SAR影像变化检测方法。
技术介绍
合成孔径雷达(syntheticapertureradar,SAR)能够全天时、全天候实时对地面或空间目标进行探测，能实时获取地面目标的二维高分辨图像，被广泛应用于军事领域、民用领域等。近年来,极化合成孔径雷达(polarimetricsyntheticapertureradar,PolSAR)数据获取途径逐渐增多,其图像所包含的信息量远大于单极化SAR图像,能记录目标散射回波的全极化信息,更加完整准确地揭示目标的散射机理,能增强杂波抑制与抗干扰能力等。为目标分解、分类以及检测提供了有力的数据支持,也为变化检测技术提供了一个新的研究方向。图像变化检测是一种通过对采集于不同时间同一地点的两幅SAR图像进行比较分析,确定地物变化信息的图像处理技术,在土地利用、水域检测和灾难监测等方面有广泛的应用。现有的极化SAR影像的变化检测方法有基于复Wishart分布的极化SAR图像变化检测算法、极化状态的变化检测方法等。2003年丹麦科技大学国际空间研究所本文档来自技高网...

【技术保护点】
一种基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，包括以下步骤：1)将两幅极化SAR影像样本在相同地物不同时相的图像利用ENVI软件进行配准，得配准后两幅样本图像的极化散射矩阵S1；将两幅待检测极化SAR影像在相同地物不同时相的图像利用ENVI软件进行配准，得到配准后两幅待检测图像的极化散射矩阵S2；2)根据配准后两幅样本图像的极化散射矩阵S1生成极化协方差矩阵C；3)对步骤2)得到的极化协方差矩阵C进行精致LEE滤波及去除斑点噪声处理；4)将经步骤3)处理后的极化协方差矩阵C中的每个像素值归一化到[0，1]之间，得特征矩阵F1；5)人工标记配准后两幅样本图像的变化检测标准图；6)...

【技术特征摘要】
1.一种基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，包括以下步骤：1)将两幅极化SAR影像样本在相同地物不同时相的图像利用ENVI软件进行配准，得配准后两幅样本图像的极化散射矩阵S1；将两幅待检测极化SAR影像在相同地物不同时相的图像利用ENVI软件进行配准，得到配准后两幅待检测图像的极化散射矩阵S2；2)根据配准后两幅样本图像的极化散射矩阵S1生成极化协方差矩阵C；3)对步骤2)得到的极化协方差矩阵C进行精致LEE滤波及去除斑点噪声处理；4)将经步骤3)处理后的极化协方差矩阵C中的每个像素值归一化到[0，1]之间，得特征矩阵F1；5)人工标记配准后两幅样本图像的变化检测标准图；6)将特征矩阵F1中的各元素替换为对应元素周围5×5的图像块，然后再利用人工标记的配准后两幅样本图像的变化检测标准图去除特征矩阵F1中不准确的图像块，得两幅样本图像对应的基于图像块的特征矩阵F21；7)将配准后两幅待检测图像的极化散射矩阵S2作为配准后两幅样本图像的极化散射矩阵S1，并重复步骤2)、3)、4)、5)及6)，得配准后两幅待检测图像对应的基于图像块的特征矩阵F22；8)将两幅样本图像对应的基于图像块的特征矩阵F21拉成列向量并级联，然后再根据两幅样本图像对应的基于图像块的特征矩阵F21构建训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2；9)构建基于深度堆栈网络的极化SAR影像变化检测模型；10)利用训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2对基于深度堆栈网络的极化SAR影像变化检测模型进行训练，得训练后的基于深度堆栈网络的极化SAR影像变化检测模型；11)根据训练后的基于深度堆栈网络的极化SAR影像变化检测模型对步骤7)中配准后两幅待检测图像对应的基于图像块的特征矩阵F22进行变化检测，得待检测极化SAR影像的变化检测结果，完成基于深度堆栈网络的极化SAR影像变化检测。2.根据权利要求1所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤9)中的深度堆栈网络由N个依次相连接的神经网络构成。3.根据权利要求2所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，所...

【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，张向荣，张丹，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