基于综合邻域信息的显著性极化SAR图像变化检测方法技术

本发明专利技术提出了一种基于综合邻域信息的显著性极化SAR图像变化检测方法，用于解决现有技术中存在的检测总体精度与区域内部一致性较低的技术问题。实现步骤为：对多时相极化SAR图像进行配准；获取多时相极化SAR图像的初始边缘信息和变差系数信息；通过变差系数信息对初始边缘信息进行修正；通过修正的边缘信息对变差系数进行指导；设计平滑因子自适应于综合邻域权重信息的非局部均值滤波器；获取任意两时相的综合邻域信息差异图；获取基于综合邻域信息差异图的显著性二值检测图；获取综合邻域信息差异图的显著性差异图；利用阈值二值化方法对显著性差异图进行二值化分割，得到变化检测结果。测结果。测结果。

【技术实现步骤摘要】
基于综合邻域信息的显著性极化SAR图像变化检测方法


[0001]本专利技术属于雷达图像处理
，涉及一种极化SAR图像变化检测方法，具体涉及一种基于综合邻域信息和显著性修正的极化SAR图像变化检测方法，可用于滑坡地质灾害的监测以及城市化建设的调查等极化SAR图像变化检测任务。

技术介绍

[0002]极化SAR通过交替的水平发射和接收以及垂直发射和接收4种组合方式来获得含有丰富极化特性的极化散射矩阵，以此来对不同的地物目标进行衡量。因此，相较于合成孔径雷达(Synthetic Aperture Radar，SAR)，极化合成孔径雷达(Polarimetric Synthetic Aperture Radar，PolSAR)拥有更丰富的地物目标信息和更全面的极化信息。极化SAR图像变化检测是指利用极化SAR对同一地区不同时间的两幅图像之间是否存在变化进行判断，进而得到变化检测结果图，其在监测毁林、灾害评估、城市规划等邻域发挥着巨大作用。极化SAR图像变化检测主要分为有监督的极化SAR图像变化检测方法和无监督的极化SAR图像变化检测方法。近年来，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于综合邻域信息的显著性极化SAR图像变化检测方法，其特征在于，包括如下步骤：(1)对同一地区M个时相的极化SAR图像进行配准：以同一地区M个时相的极化SAR图像T＝{T1,T2,...,T
m
,...,T
M
}中任意一个时相的极化SAR图像作为参考图像，并将其它时相的极化SAR图像与参考图像进行配准，得到配准后的极化SAR图像集合T
′
＝{T1′
,T
′2,...,T
′
m
,...,T
′
M
}，其中，M≥2，T
m
表示像素大小为w
×
d的第m个时相的极化SAR图像，w≥200，d≥200，T
m
’
表示T
m
的配准结果；(2)获取配准后的每个时相的极化SAR图像对应的初始边缘信息和变差系数信息：(2a)对配准后的每个时相的极化SAR图像T
m
’
进行极化分解，得到T
′
对应的极化SAR图像分解合成图集合P＝{P1,P2,...,P
m
,...,P
M
}，并对每个时相的极化SAR图像的分解合成图P
m
进行边缘检测，得到T
′
对应的初始边缘信息图集合E＝{E1,E2,...,E
m
,...,E
M
}，其中，P
m
、E
m
表示T
m
对应的分解合成图、初始边缘信息图；(2b)计算配准后的每个时相的极化SAR图像T
m
’
的Frobenius范数，得到T
′
对应的Frobenius范数图集合F＝{F1,F2,...,F
m
,...,F
M
}，F
m
表示T
m
’
对应的Frobenius范数图；(2c)计算每个Frobenius范数图F
m
的变差系数图，得到T
′
对应的变差系数图集合CV＝{CV1,CV2,...,CV
m
,...,CV
M
}，其中，CV
m
表示T
m
’
对应的变差系数图；(3)通过变差系数信息对初始边缘信息进行修正：(3a)采用模糊C均值聚类算法，根据变差系数图CV
m
中每个像素点的变差系数信息对CV
m
进行三聚类，并按照每个像素簇内变差系数信息均值由小到大的顺序对CV
m
的三个聚类类别进行排序，得到CV对应的三聚类集合其中，分别表示CV
m
的三聚类结果中的高、中、低同质度类别；(3b)根据变差系数图CV
m
的三聚类结果中的高同质度类别与中同质度类别对应区域之间的分界值以及中同质度类别和低同质度类别对应区域之间的分界值计算中同质度类别对应区域内和低同质度类别对应区域内的变差系数信息动态值态值其中是中同质度类别对应区域内和低同质度类别对应区域内E
m
(x,y)为1的像素点个数占对应区域内像素点总数的比例；(3c)通过变差系数图CV
m
中所有像素点的变差系数信息的最大值中同质度类别和低同质度类别对应区域内的变差系数动态值对初始边缘信息图E
m
中所有位置为(x,y)的像素的边缘信息E
m
(x,y)进行修正，得到修正后的边缘信息图集合E
′
＝{E
′1,E
′2,...,E
′
m
,...,E
′
M
}，其中E
m
(x,y)的修正公式为：
其中，CV
m
(x,y)表示变差系数图CV
m
所在位置为(x,y)的像素的变差系数信息，E
′
m
(x,y)表示E
m
(x,y)的修正结果；(4)通过修正后的边缘信息对变差系数信息进行指导：(4a)通过变差系数图CV
m
中高同质度类别对应区域内所有像素点的变差系数信息的平均值以及修正后的边缘信息图E
′
m
中所有像素点的边缘信息的最大值对每个时相的变差系数图CV
m
中所有位置为(x,y)的变差系数CV
m
(x,y)进行指导，得到指导后的初始综合邻域权重信息图集合CV
′
＝{CV1′
,CV
′2,...,CV
′
m
,...,CV
′
M
}，其中CV
m
(x,y)的修正公式为：式为：其中，E
′
m
(x,y)表示修正后的边缘信息图E
′
m
所在位置为(x,y)的像素的边缘信息，CV
′
m
(x,y)表示初始综合邻域权重信息图CV
′
m
所在位置为(x,y)的初始综合邻域权重信息；(4b)对每个时相的初始综合邻域权重信息图CV
′
m
进行归一化，得到范围在修正后的边缘信息图E
′
m
指导的综合邻域权重信息图CV
″
m
，则CV
′
对应的综合邻域权重信息图集合为CV
″
＝{CV1″
,CV
″2,...,CV
″
m
,...,CV
″
M
}；(5)设计平滑因子自适应于综合邻域权重信息的非局部均值滤波器：(5a)对极化SAR Frobenius范数图集合F中每个时相的F
m
求解灰度共生矩阵，得到F对应的灰度共生矩阵图集合G；(5b)求解G中每个时相的灰度共生矩阵图G
m
的同质度特征图Hom
m
，并统计Hom
m
中在高同质度类别对应区域中所有像素点的平均值(5c)通过综合邻域权重信息图CV
″
m
中所有像素点对应的综合邻域权重信息的最大值对每个时相的初始平滑因子图h
m
中所有位置为(x,y)的初始平滑因子值h
m
(x,y)进行更新，得到更新后的自适应平滑因子图h
′
m
，并设计h
′
m
自适应于综合邻域权重信息图CV
″
m
的非局部均值滤波器Filter
m
，以及Filter
m
对应的平滑因子自适应于综合邻域权重信息的非局部均值滤波器集合Filter＝{Filter1,Filter2,...,Filter
m
,...,Filter
M
}，其中h
m
(x,y)的更新公式为：h
′
m
(x,y)＝h
m
(x,y)(1
‑
δ(x,y)
×
ε(δ(x,y)))))
其中，h
′
m
(x,y)表示更新后的自适应平滑因子图h
′
m
所在位置为(x,y)的像素的自适应平滑因子值，log(
·
)表示求以自然常数e为底的对数，CV
″
m
(x,y)表示综合邻域权重信息图CV
″
m
所在位置为(x,y)的综合邻域权重信息；(6)获取综合邻域信息差异图：通过极化SAR Frobenius范数图集合F＝{F1,F2,...,F
m
,...,F
M
}中任意p、q时相的极化SAR Frobenius范数图F
p
、F
q
，得到任意p、q时相间的综合邻域信息差异图DI
p,q
，其中DI
p,q
中位置为(x,y)的像素点的差异度值计算公式为：A＝min(F
p
(x,y),F
q
(x,y))B＝max(F
p
(x,y),F
q
(x,y))其中，A
′
、B
′
表示A、B当前所在的极化SAR Frobenius范数图的时相值，Filter
A
′
[
·
]、Filter
B
′
[
·
]表示利用第A
′
、B
′
个时相的平滑因子自适应于综合邻域权重信息的滤波器F...

【专利技术属性】
技术研发人员：李明，徐大治，张鹏，吴艳，辛欣悦，郑佳，林忠凯，王洪菠，杨智斐，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：