[发明专利]基于DS证据融合的极化SAR图像语义变化检测方法

说明书

本发明公开了一种基于DS证据融合的极化SAR图像语义变化检测方法，主要解决现有技术无法进行语义级变化检测及边缘定位差的问题。其方案为：输入两时相极化SAR图像及真实语义变化图；在两时相图像上生成训练集和测试集；构造卷积神经网络，并用训练集训练；测试集通过训练好网络得到语义变化特征，并将其输入到分类器中得到语义变化概率；通过差异算子生成两时相差异图，并对其初始化标记场；在标记场上通过马尔可夫随机场建模得到最终标记场，计算其变化概率，并将该变化概率与语义变化概率进行融合，得到语义变化检测结果。本发明实现了语义级变化检测，增强了变化边缘的定位，增强了对噪声的鲁棒性，可用于极化SAR图像目标识别。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种极化SAR图像语义变化检测方法，可用于对极化SAR图像进行地表变化监测与评估。

背景技术

极化SAR图像变化检测是指通过分析在同一地区不同时间的两幅极化SAR图像，检测出该区域的地物的变化信息。极化合成孔径雷达系统得益于交替接收与发射不同极化方式的信号的机制，具有全天时和全天候的观测能力，并且相比于传统的SAR系统，可以获取更为丰富的地物信息，更加适合于复杂场景下的环境监测。因此，极化SAR图像的变化检测已成为当今SAR遥感图像分析与理解的重要研究分支。目前，已经开发了许多用于极化SAR图像变化检测的传统方法，这些方法的实施基本都是使用先生成差异图再进行差异图分析的策略，其中，差异图生成方法包括有Wishart距离、HLT差异算子、似然比算子和广义似然比算子，差异图分析方法包括有恒虚警率检测方法、马尔科夫随机场方法、SWT方法和阈值分割方法。

马尔科夫随机场方法是对两幅极化SAR图像生成的差异图进行分析的算法，其虽然考虑了领域信息，有助于噪声的抑制和保障边缘定位性，但是并没有考虑到语义变化信息，只能检测出变化区域，并不知道变化前后的地物类型，无法进行语义级的变化检测。随着深度学习的快速发展，基于神经网络的极化SAR图像变化检测方法显著提高了变化检测的准确率，并且能以端到端的方式自动学习判别特征，从而减少手工错误并节约成本。其中使用最多的是卷积神经网络CNN。这种基于卷积神经网络的方法可以直接通过两时相原始数据得到变化结果，能够完成语义级的变化检测，但该方法由于是将每一个像素点取其邻域作为一个图像块，将其输入到卷积神经网络来判别该像素点的是否发生变化，并没有考虑相邻像素图像块与之的关系，因而会造成边界定位性差的不足，且该方法由于没有定义语义变化类，故只能进行变化区域的检测，而不能判别变化前后的地物类型，从而影响了极化SAR图像的变化检测精度。

发明内容

本发明的目的在于针对上述技术中的不足，提出一种基于DS证据融合的极化SAR图像语义变化检测方法，以通过对卷积神经网络和马尔可夫随机场两种方法的优势融合，实现对变化前后地物类型的极化SAR图像语义变化检测，保障变化检测区域的边界定位性能，提高极化SAR图像的变化检测精度。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)获取已配准的M×N两时相极化SAR图像I₁、I₂，及其对应的相干矩阵数据T₁、T₂和这两幅极化SAR图像的真实语义变化图G，构建训练集P_sx和测试集P_sd；

(2)搭建卷积神经网络，利用训练集P_sx对该卷积神经网络进行训练网络，得到训练集的语义变化特征Z_xd，将测试集P_sd送入训练好的网络，得到测试集的语义变化特征Z_sd；

(3)用训练集的语义变化特征Z_xd训练支持向量机分类器，将语义变化特征Z_sd送入到训练好的支持向量机分类器中，得到所有像素点的每一语义变化类的概率P；