【技术实现步骤摘要】
本专利技术涉及生态和遥感信息，更具体的说是涉及一种基于sar影像的人类活动变化检测方法及系统。
技术介绍
1、目前，生态保护红线人类活动监管主要采用基于高分辨率光学遥感影像的人工目视解译和自动变化检测，但光学影像受天气影响较大，对于多云多雨地区经常存在光学数据获取困难或获取影像质量较差等问题，难以保证遥感监测数据结果的精度和时效性。
2、因此，如何解决多云多雨地区光学遥感影像的人类活动变化监测精度低、时效性差等问题，构建一种面向多云多雨地区典型人类干扰目标识别的雷达与光学时空耦合方法是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于sar影像的人类活动变化检测方法及系统，用于解决多云多雨地区光学遥感影像的人类活动变化监测精度低、时效性差的问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术首先公开了一种基于sar影像的人类活动变化检测方法，如图1所示，包括以下步骤：
4、获取目标区域不同时期的sar影像，基于dem数据对所述不同时期的sar影像进行空间配准；
5、基于多尺度深度特征融合对空间配准后的sar影像进行变化检测，获取sar影像变化检测图；
6、将sar影像变化检测图与人类活动特征数据集进行对比分析，获取疑似生态破坏图斑；
7、对疑似生态破坏图斑进行边界修改和属性赋值，获取最终的生态破坏图斑。
8、进一步地，基于dem数据
9、s1.1：获取目标区域不同时期的前后两幅sar影像s1、s2；
10、s1.2：获取目标区域内的dem数据，并选取所述dem数据的控制点；
11、s1.3：将所述dem数据的控制点转到模拟影像；
12、s1.4：建立模拟影像与每一幅sar影像的多项式变换；
13、s1.5：使用向量场一致性的点集匹配算法，将模拟影像的控制点转换到每一幅sar影像；
14、s1.6：建立前后两幅sar影像s1、s2的多项式变换模型；
15、s1.7、重采样实现sar影像空间配准，获得空间配准后的两幅sar影像i1和i2。
16、进一步地，所述步骤s1.3中将所述dem数据的控制点转到模拟影像，具体包括：
17、选用距离-多普勒r-d模型，建立用于关联dem数据与模拟影像的查找表，即：（x,y,z）dem ↔（i,j）sim，式中，（x,y,z）表示dem空间坐标；（i,j）表示模拟影像的空间坐标；
18、将模拟影像与sar影像进行匹配，获得模拟影像sim与sar影像之间坐标对应关系，即：（i,j）sim ↔（i1,j1）sar，式中，（i1,j1）表示sar影像的空间坐标。
19、进一步地，建立模拟影像与每一幅sar影像的多项式变换，包括以下多项式变换:
20、i1=a0+a1i+a2j+a3ij+a4i2+a5j2；
21、j1=b0+b1i+b2j+b3ij+b4i2+b5j2；
22、式中，a0,a1,a2,a3,a4,a5,b0,b1,b2,b3,b4,b5均表示多项式系数。
23、进一步地，建立前后两幅sar影像s1、s2的多项式变换模型，包括以下多项式:
24、xs1=a0+a1xs2+a2ys2+a3xs2ys2+a4xs22+a5ys22；
25、ys2=b0+b1xs1+b2ys1+b3xs1ys1+b4xs12+b5ys12；
26、式中，xs2,ys2表示s2影像的特征点坐标；xs1,ys1表示s1影像的特征点坐标；a0,a1,a2,a3,a4,a5,b0,b1,b2,b3,b4,b5均表示步骤s1.4中的多项式系数。
27、进一步地，基于多尺度深度特征融合对空间配准后的sar影像进行变化检测，具体包括以下步骤：
28、s2.1:对空间配准后的sar影像i1、i2进行对数运算求取对数比差异图；
29、s2.2:对步骤s2.1得到的对数比差异图进行三层同步挤压小波变换分解，得到每层分解后的低频分量及高频分量；
30、；
31、；
32、；
33、式中：ilr 表示空间配准后的sar影像i1、i2进行对数运算求取的对数比差异图；表示第一层的低频分量；、、表示第一层的三个高频分量；表示第二层的低频分量；、、表示第二层的三个高频分量；表示第三层的低频分量；、、表示第三层的三个高频分量；
34、s2.3:基于每层分解后的低频分量及高频分量，进行逆二维静态小波变换，通过独立重构获取多尺度差异图。
35、s2.4:将多尺度差异图利用模糊聚类分析fcm算法分成两类，将分类后的多尺度差异图作为训练cnn的伪标签，并从所述多尺度差异图中选取可靠的训练样本；
36、s2.5:将训练样本输入cnn模型中，利用随机梯度下降的bp算法对cnn进行训练，利用训练好的cnn模型生成两幅sar影像i1、i2的变化检测结果图。
37、进一步地，所述步骤s2.1中对空间配准后的sar影像i1、i2进行对数运算，具体包括以下表达式：
38、ilr（x,y）=∣logi2(x,y)－logi1(x,y)∣；
39、式中，ilr（x,y）表示对数比差异图像元值，i1(x,y)、i2(x,y)分别为i1、i2影像对应的像元值。
40、进一步地，步骤s2.3中，所述逆二维静态小波变换，具体通过以下表达式实现：
41、；
42、 ；
43、式中： 表示第三层的重构低频分量；、 、表示第三层的重构高频分量；表示第二层的重构低频分量；
44、、 、表示第二层的重构高频分量；表示第一层的重构低频分量。
45、进一步地，所述人类活动特征数据集通过以下步骤获取：
46、step1:获取典型地物样本，所述典型地物样本包括矿产资源开发、工业开发建设、能源开发建设、旅游开发建设、交通开发建设和除上述典型地物样本之外的其他开发建设六种类型；
47、step2:分析所述典型地物样本的光学影像特征，所述光学影像特征包括空间特征、属性特征和纹理特征；
48、step3:分析所述典型地物样本的sar影像特征，所述sar影像特征包括成像散射、几何特征和基础图像特征；
49、step4:从色调、纹理、几何形状特征和上下文特征，分析所述典型地物样本目标在sar影像上的表现特征；
50、step5:将典型地物样本的光学影像与对应的sar影像进行匹配；
51、step6:基于灰度共生矩阵计算目标地物样本的八种特征统计量参数，所述八种特征统计量参数包括熵、均值、方本文档来自技高网...
【技术保护点】
1.一种基于SAR影像的人类活动变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于SAR影像的人类活动变化检测方法，其特征在于，基于DEM数据对所述不同时期的SAR影像进行空间配准，具体包括以下步骤：
3.根据权利要求2所述的基于SAR影像的人类活动变化检测方法，其特征在于，所述步骤S1.3中将所述DEM数据的控制点转到模拟影像，具体包括：
4.根据权利要求3所述的基于SAR影像的人类活动变化检测方法，其特征在于，建立模拟影像与每一幅SAR影像的多项式变换，包括以下多项式变换:
5.根据权利要求4所述的基于SAR影像的人类活动变化检测方法，其特征在于，建立前后两幅SAR影像S1、S2的多项式变换模型，包括以下多项式：
6.根据权利要求5所述的基于SAR影像的人类活动变化检测方法，其特征在于，基于多尺度深度特征融合对空间配准后的SAR影像进行变化检测，具体包括以下步骤：
7.根据权利要求6所述的基于SAR影像的人类活动变化检测方法，其特征在于，所述步骤S2.1中对空间配准后的SAR影像I1、
8.根据权利要求6所述的基于SAR影像的人类活动变化检测方法，其特征在于，步骤S2.3中，所述逆二维静态小波变换，具体通过以下表达式实现：
9.根据权利要求1所述的基于SAR影像的人类活动变化检测方法，其特征在于，所述人类活动特征数据集通过以下步骤获取：
10.一种基于SAR影像的人类活动变化检测系统，其特征在于，包括若干相互连接的计算机模块，所述计算机模块运行时能够实现权利要求1-9任意一项所述的基于SAR影像的人类活动变化检测方法。
...【技术特征摘要】
1.一种基于sar影像的人类活动变化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于sar影像的人类活动变化检测方法，其特征在于，基于dem数据对所述不同时期的sar影像进行空间配准，具体包括以下步骤：
3.根据权利要求2所述的基于sar影像的人类活动变化检测方法，其特征在于，所述步骤s1.3中将所述dem数据的控制点转到模拟影像，具体包括：
4.根据权利要求3所述的基于sar影像的人类活动变化检测方法，其特征在于，建立模拟影像与每一幅sar影像的多项式变换，包括以下多项式变换:
5.根据权利要求4所述的基于sar影像的人类活动变化检测方法，其特征在于，建立前后两幅sar影像s1、s2的多项式变换模型，包括以下多项式：
6.根据权利要求5所述的基于sar影像的人类活动变...
【专利技术属性】
技术研发人员：蔡明勇，邰文飞，解明礼，申文明，王丽霞，张新胜，马万栋，史园莉，肖桐，毕晓玲，陈绪慧，史雪威，吴玲，申振，任致华，
申请(专利权)人：生态环境部卫星环境应用中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。