[发明专利]基于邻域比值和自步学习的SAR图像变化区域检测方法

说明书

本发明公开了的一种基于邻域比值和自步学习的合成孔径雷达SAR图像变化区域检测方法，主要解决现有技术对合成孔径雷达SAR图像的斑点噪声敏感，易造成合成孔径雷达SAR图像的部分纹理信息丢失的问题。本发明的具体步骤如下：(1)读入合成孔径雷达SAR图像；(2)归一化；(3)计算邻域比值差异值；(4)构建差异值矩阵；(5)选择训练样本集；(6)训练深度信念网络；(7)构建概率矩阵；(8)更新概率矩阵；(9)获得变化检测图像。本发明有效利用原始图像的局部信息和深度信念网络的自学习能力减少了斑点噪声，保留了图像局部信息，提高了变化检测的精度。

技术领域

本发明属于图像处理技术领域，更进一步涉及遥感图像变化检测技术领域中的一种基于邻域比值和自步学习的合成孔径雷达SAR(Synthetic Aperture Radar,SAR)图像变化区域检测方法。本发明可用于对同一地区不同时段的两幅合成孔径雷达SAR图像的邻域像素信息进行比较，得到变化差异图，并用自步学习算法对差异图进行图像分割，得到变化检测图。

背景技术

合成孔径雷达作为一种主动微波传感器，具有分辨率高、全天候、全天时工作以及穿透力强的特点，使合成孔径雷达SAR具有光学遥感图像无法比拟的优势。合成孔径雷达SAR图像变化检测技术是研究同一场景不同时段的两幅或者多幅合成孔径雷达SAR图像发生的区域性变化。其应用场景较为广泛，主要包括自然生态的监控、自然灾害评估和预防、获取地貌变化信息等。

目前合成孔径雷达SAR图像变化检测的分析步骤大致分为两步：(1)生成差异图。此步骤是初步区分2幅合成孔径雷达SAR图像中的未变化类和变化类，并为差异图分析提供基础。其典型算法包括：差值法、均值比值法和对数比值法。这些算法存在的缺点是对相干斑噪声敏感，检测变化精度不高；(2)分析差异图。该步骤是对步骤(1)获得的差异图进行分析，提取变化信息，最终得到两幅图像的变化区域和非变化区域。

Zheng等人在其发表的论文“Using combined difference image and k-meansclustering for合成孔径雷达SAR image change detection”(IEEE Geoscience andRemote Sensing Letters,2014,11(3)：691-695)中提出了一种简单实用的差异图融合方法，即组合差异图CDI(Combined Difference Image,CDI)法。该方法的步骤是，首先用差值算子和对数比值算子分别得到合成孔径雷达SAR图像的差值差异图和对数比值差异图。然后对上述差异图进行均值滤波和中值滤波，初步去除噪声干扰和野点。然后再利用人工参数加权法获得做最终融合差异图。最终使用K-means算法分析融合差异图。该方法存在的不足之处是，算法中含有人工参数，需要多次测试才能得出最优参数值，不易根据影像本身的性质进行自动选择。

西安电子科技大学在其拥有的专利技术“基于稀疏表示的合成孔径雷达SAR图像相干斑抑制方法”(专利申请号：201110346349.7，授权公告号：CN102346908B)中提出了一种基于稀疏表示的合成孔径雷达SAR图像相干斑抑制方法。该方法的步骤是，首先对原始合成孔径雷达SAR图像进行对数变换。然后将对数变换后的图像分割为的重叠分块，将图像块的自身信息作为控制因子对其进行稀疏表示。接着应用近似KSVD(K-Singular ValueDecomposition,KSVD)算法进行字典学习，得到自适应字典和更新后的稀疏表示系数。再利用自适应字典和更新后的稀疏表示系数得到图像W，对W进行指数变换得到图像R。最终对由原始合成孔径雷达SAR图像Y和指数变换后的图像R得到的差值图像V进行非线性各向异性扩散，得到最终的去斑图像。该方法存在的不足之处是，字典学习中的误差控制在实际操作中，易造成图像的部分纹理信息丢失，增加后期变化检测的误检率。

发明内容