利用星载SAR多时相图像识别地表变化的方法技术

本发明专利技术属空间遥感和空对地观测信息处理技术领域，具体为一种利用星载ＳＡＲ多时相图像识别地表变化的方法。本发明专利技术用不同时间ＳＡＲ的图像差值，通过求解双阈值期望极大化和马尔科夫随机场ＥＭ－ＭＲＦ算法，识别不同时间的地表发生散射增强、减弱与不变三类变化，用１９９６和２００２年上海市的欧洲遥感卫星ＥＲＳ－２ＳＡＲ图像作了实例研究，证明本发明专利技术方法的有效性。

【技术实现步骤摘要】

本专利技术属于空间遥感与空对地观测信息处理
，具体涉及一种利用星载SAR多时相图像识别地表变化的方法。
技术介绍
城市与城市群体的发展是本世纪人类文明发展的重大内容。城市建筑、绿地、道路的发展，水体、植物生态、气候的变化，人口的迁移等等，所引发产生的城市地域与内涵的变化都需要科学的评估。多时相(不同时间)的空间遥感观测为监测与评估这一发展提供了便捷可行的技术手段，它的一个直接应用就是地表变化信息的识别与分类(Rignot andvan Zyl 1993，Singh 1989，Bruzzone and Prieto 2000，Merril and Jiajun 1998，Kasetkasem andVarshney 2002)。全天候高分辨率SAR成像近二十年的发展与空间遥感计划(如SIR-CSAR，ERS-1，2，RADARSAT-1，2)的执行能提供多年观测的数据图像，为地表变化信息的获取与评估提供了条件。比较不同时相的海量的遥感图像数据，从直观的图像灰度值变化作人工定性的评估是十分粗糙的，难以准确地确定区域的变化，判断的阈值不可靠，极为容易失去重要的信息。因此，如何自动获取与分析地表变化信息，一直是遥感研究的重要课题。地表变化信息的检测与分析有两类方法有监督的方法和无监督的方法。前者需要多时相的大量实况数据作为分类过程的训练样本，后者则不需要附加信息，直接对多时相的遥感图像进行分析。本专利技术采用无监督方法。Rignot和van Zyl(1993)曾用二幅不同时间的SAR图像之间的差值作变化分析。Singh(1989)用红外多通道数据进行变化矢量分析，由各对应像素计算得到的变化矢量幅值的统计来检测变化。这些方法相对简单易用，但不能对差值图像进行自动或非启发式的分析，对差值图像设定的阈值通常是基于经验或人为的，而阈值选取适当与否在很大程度上决定了检测结果的可靠与准确。Bruzzone和Prieto(2000)提出了基于Bayes理论和马尔科夫随机场(MRF，MarkovRandom Fields)模型的自动检测区域变化的方法，通过期望极大化(EM，ExpectationMaximum)算法来自动获取一个阈值。他们将差值图像分成两类变化区和无变化区。但是，他们并没有用真实SAR图像数据来说明这一算法的可靠性与可行性。同时，即使是变化区，也可以有完全不同的变化。比如楼群变成草地，后向散射可能变弱；草地上有树或变成双向反射增强的楼群，后向散射可能增强。后向散射同一db的增强或减弱完全可以有不同的地表变化的信息内涵。随着多通道、多极化、多类遥感器多时相SAR图像的获取，自动检测、识别、分类与评估地表变化更多的信息一定会成为重要的研究方向。
技术实现思路
本专利技术的目的在于提出一种利用星载SAR多时相图像正确、有效识别地表变化的方法。本专利技术提出的利用星载SAR多时相图像识别地表变化的方法，是一种基于星载SAR多时相微波遥感图像的EM-MRF方法。其基本步骤为(1)选取不同时间的两幅星载SAR微波遥感图像，计算其差值图像，该差值图像是两幅图像的相减，或者是两张图像的相除；(2)采用EM算法将差值图像分成三类增强区、减弱区和不变区，并获得区分的两个阈值；(3)根据图像上相邻像素的空间结构相关性，将EM算法的结果作为初值，利用MRF-ICM算法，进行迭代计算，使差值图像的Gibbs能量达到局部最小值，从而得到关于城市变化的散射增强、减弱、不变的分类结果。本专利技术用1996和2002年上海市的ERS-2SAR图像作了实例研究，用实地情况佐证。本专利技术同样可应用于我国长江三角洲、珠江流域等城市链发展的自动识别变化信息评估。在多通道、多极化、多时相SAR数据获取后，可很容易地推广到更多分类区域的分类检测。附图说明图1.差值图像直方图。其中，(a)为差值图像直方图上阈值划分示意，(b)为实际差值图像归一化直方图上三类分布。图2.MRF的二阶邻域系统和组系。其中，(a)二阶邻域系统，(b)单像素组系L1及其权值α，(c)双像素组系L2及其权值β。图3.1996年6月4日ERS-2SAR图像。图4.2002年4月9日ERS-2SAR图像。图5.二者的差值图像。图6.不同迭代次数下各参数值(γ＝0.5)。图7.双阈值EM算法地表变化分类。图8.MRF-ICM算法自动检测地表变化分类。图9.上海市变化图。图10为本专利技术流程框图。具体实施例方式1、EM算法估计变化分类的先验、条件概率考虑不同时间(t1，t2)的两张已经对准的大小为I×J图像X1和X2。其差值图像X0＝(X2-X1)(也可用X0＝(X2/X1))，设X是一个随机变量，代表了差值图像中I×J个像素的值，XD＝{X(i，j)，l≤i≤I，l≤j≤J}。I、J分别为图像的高度和宽度。检测与分析差值图像是要区分各像素属于不变化类ωn或变化类ωc。差值图像XD的像素值的概率分布函数p(X)包含了这两类的条件概率分布，即有p(X)＝p(X|ωn)P(ωn)+p(X|ωc)P(ωc)(1)这里P(ωn)，P(ωc)是“未变化”和“变化”两类的先验概率分布函数，p(X|ωk)(k＝n，c)是条件概率分布函数。以Bruzzon和Prieto(2000)的工作作为用期望极大化(EM)算法的基础，对p(X|ωn)、p(X|ωc)、p(ωn)和P(ωc)进行无监督估计。EM算法是估计不完整性数据问题的最大似然估计法的一种普遍的方法(Takajo andTakahashi 1998，Ghiglia and Romero 1994，Pritt and Shipman 1994，Pritt 1996)。它包括了一个估计步骤和一个极大化步骤，两个步骤都需要迭代到收敛。估计步骤用受到观测值控制的参数估计作为未知变量来进行计算。极大化步骤提供了对参数的新的估计。假设p(X|ωn)和p(X|ωc)服从高斯(Gauss)分布，ωn对应的概率密度函数由均值μn和方差σn2来描述，同样，与ωc相关的概率密度函数由均值μc和方差σc2描述。可以证明(Render andWalker 1984)，估计ωn的各参数与先验概率分布有公式如下Pt+1(ωn)=ΣX(i,j)∈XDPt(ωn)pt(X(i,j)|ωn)pt(X(i,j))IJ···(2)]]>μnt+1=ΣX(i,j)∈XDPt(ωn)pt(X(i,j)|ωn)pt(X(i,j))X(i,j)ΣX(i,j)∈XDPt(ωn)pt(X(i,j)|ωn)pt(X(i,j))···(3)]]> (σn2)t+1=ΣX(i,j)∈XD本文档来自技高网...

【技术保护点】
一种利用星载ＳＡＲ多时相图像识别地表变化的方法，其特征在于基本步骤如下：（１）选取不同时间的两幅星载ＳＡＲ微波遥感图像，计算其差值图像，该差值图像是两幅图像的相减，或者是两张图像的相除；（２）采用ＥＭ算法将差值图像分成三类： 增强区、减弱区和不变区，并获得区分的两个阈值；（３）将ＥＭ算法的结果作为初值，利用ＭＲＦ－ＩＣＭ算法，进行迭代计算，使差值图像的Ｇｉｂｂｓ能量达到局部最小值，从而得到关于城市变化的散射增强、减弱、不变的分类结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：金亚秋，
申请(专利权)人：复旦大学，
类型：发明
国别省市：31[中国|上海]