[发明专利]基于样本自标定ELM的在轨SAR图像变化检测方法

说明书

本发明提出了一种基于样本自标定ELM的在轨SAR图像变化检测方法，提升了检测精度，扩大了方法的实际应用范围。步骤包括：对两幅配准相的SAR图像对，计算获得对数差分图DI；用PCA获取DI的主分量；利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域；从中提取部分样本的邻域特征，将其作为训练样本训练ELM；将待检测的对数差分图中每个样本的邻域送入训练好的ELM中，获得变化检测结果图。本发明从待检测差分图中自动提取训练样本，消除了训练数据对方法检测能力的限制，扩大了方法的实际应用范围，避免了人工的参与，降低了噪声的干扰，提升了方法的检测正确率，具备稳定可靠的检测能力。

技术领域

本发明属于图像检测技术领域，主要涉及SAR图像变化检测，具体是一种基于样本自标定ELM的在轨SAR图像变化检测方法。用于对卫星拍摄的SAR图像进行实时在轨变化检测。

背景技术

合成孔径雷达(SAR)是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。由于其优异的特性，合成孔径雷达已经被广泛应用于工农业生产、城市监控、军事和科研等领域。基于SAR的图像变化检测是对同一地区不同时间的两幅图像进行比对分析，辨别出图像间的差异并以此得到需要的目标或地形的变化信息。现如今，随着全球城市的快速发展和环境的剧烈变化，及时掌握需要的变化信息变得越来越急迫。结合SAR图像的优异特性的变化检测方法，为快速获得目标区域的变化信息提供了需要的的技术支持和应急保障。

在轨的SAR的图像变化检测，主要基于两种检测思路：(1)无监督的SAR图像变化检测，该方法提取图像中的相似特征进行分析聚类，最终获得变化信息；(2)有监督的SAR图像变化检测方法，该方法事先利用有标签的样本对检测算法进行训练，再将需要进行变化检测的SAR图像送入算法中获得变化区域的检测。

由于不能利用标签样本的有效信息，无监督的在轨变化检测方法在检测精度和鲁棒性方面有待进一步提高。有监督的在轨SAR变化检测需要在地面用大量的实际数据信息训练网络后再送到星上进行检测分类变化区域。基于这种思想实现的检测方法虽然免去了在星上进行网络参数训练的过程，一定程度上提升了检测方法的速度，但是由于训练数据信息的稀缺且昂贵，并且星上检测方法的网络参数固定，使得此类方法在面对不同幅宽不同分辨率以及不同成像方式的目标区域的数据时，其检测质量受到很大程度的波动，比如成像方式是单视或四视，检测结果存在不稳定性，严重限制了检测方法的实际应用。

综上，无监督的在轨SAR图像变化检测方法的检测精度和鲁棒性不够理想；有监督的在轨SAR图像变化检测方法需要的训练数据需要人工对其标注，不能灵活应用于不同成像方式，检测结果因分辨率及成像方式的不同而存在不稳定性。现有的在轨SAR图像的变化检测方法因具有广泛的应用价值急需不断探索与改进。

发明内容

本发明的目的是针对现有在轨检测方法的应用局限性，提出了一种自动提取训练样本，检测结果更加稳定的基于样本自标定ELM的在轨SAR图像变化检测方法。

本发明是一种基于样本自标定ELM的在轨SAR图像变化检测方法，其特征是：直接在卫星上对配准后的SAR图像对进行变化检测，并包括以下步骤：

步骤101：开始基于样本自标定ELM的在轨变化检测。

步骤102：对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X₁和X₂作对数比值法计算，获得对数差分图DI。

步骤103：使用主成份分析法(PCA)获取对数差分图前99％的主要分量。

步骤104：设计样本自标定策略，利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域。

步骤105：从严格变化区域和严格未变化区域中按序提取部分样本的邻域特征作为训练样本，训练极速学习机ELM的网络参数。