[发明专利]基于深度置信网络的极化SAR影像变化检测方法

说明书

基于深度置信网络的极化SAR影像变化检测方法，包括首先输入待检测的两幅同一地区、不同时相的极化SAR影像；对两时相的极化SAR影像数据配准；对配准后的影像降斑；进行初步人工标记；由两幅极化SAR影像的极化散射矩阵分别求得极化相干矩阵TA和TB；分别提取矩阵的对角线元素，级联构成基于像素点的特征矩阵F；归一化后得到特征矩阵F1；对特征矩阵F1中的每个元素取块，构成基于图像块的特征矩阵F2；根据F2得到训练数据集D的特征矩阵D1和测试数据集T的特征矩阵T1；构造基于深度置信网络的检测模型；用构造的数据集对检测模型训练；利用训练好的检测模型对待检测图像检测。本发明检测精度高。

技术领域

本发明属于图像处理领域，涉及一种基于深度置信网络的极化SAR影像变化检测方法。

背景技术

极化SAR是一种高分辨率主动式有源微波遥感成像雷达，具有全天候、全天时、分辨率高、可侧视成像等优点，能获得目标更丰富的信息。极化SAR图像变化检测方法是一种通过对不同时期同一地点的极化SAR成像比较分析，根据信息间的差异来获得同一地理位置不同时段地物信息变化的方法。极化SAR变化检测在军事领域、民用领域等有着广泛的应用。

相比于SAR图像，极化SAR图像包含的信息量更加丰富，继而能够更加完整的揭示目标的散射机理。但是由于极化SAR数据存在复杂性等原因，使得针对极化SAR图像的变化检测研究相对缓慢。经典的极化SAR变化检测主要流程包括有预处理、差异图提取、阈值分割、后处理以及图像融合等，其中差异图提取与阈值分割最为核心。

其中比较经典的算法有：极化似然比变化检测算法，该算法的应用前提是地物目标的极化协方差矩阵满足Wishart分布，但实际地物散射特性较为复杂，有时很难满足该条件，因此，使该算法的通用性受到限制；基于极化距离变化检测算法，该算法是针对复杂场景下某一特定类地物的变化而提出的；基于极化对比增强的变化检测算法，该算法利用极化对比度理论来提高变化区域与不变区域的对比度，以此来获得更好的检测效果；基于联合加权极化差异度的变化检测算法，该算法无需知道图像的统计分布，通用性强。

这些极化SAR变化检测方法由于均没有考虑到极化SAR图像的深层特征表示，因而对背景复杂的极化SAR图像难以得到较高的分类精度。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于深度置信网络的极化SAR影像变化检测方法，通过引入深度学习的方法，提高变化的检测精度。

为了实现上述目的，本发明采用的技术方案包括以下步骤：

1)输入待检测的两幅同一地区、不同时相的极化SAR影像；

2)对两幅极化SAR影像进行数据配准；

3)对配准后的极化SAR影像通过滤波进行降斑；

4)对降斑后的极化SAR影像进行初步人工标记；

5)由两幅极化SAR影像的极化散射矩阵S分别求得极化相干矩阵TA和TB；

6)分别提取极化相干矩阵的对角线元素，级联构成基于像素点的特征矩阵F；

7)将特征矩阵F中的元素值归一化到[0，1]之间，记作F1；

8)根据归一化后的特征矩阵F1，取每个元素周围方块范围内的元素来代表原来的元素值，构成基于图像块的特征矩阵F2；

9)构造训练数据集D的特征矩阵D1以及测试数据集T的特征矩阵T1；

10)构造基于深度置信网络的检测模型；

11)用构造的数据集对检测模型进行训练，得到训练好的模型；

12)利用训练好的模型对待检测图像进行检测，得到待检测图像中，两个时相对应每个像素点的类别，划分为变化类和未变化类。