[发明专利]基于轮廓波集成DBN的极化SAR图像变化检测方法

摘要

一种基于轮廓波集成DBN的极化SAR图像变化检测方法，主要解决现有方法中极化SAR图像变化检测精度不高的问题。本发明的具体步骤如下：(1)输入同一地区不同时相的两幅极化SAR图像的两个极化相干矩阵；(2)滤除相干噪声；(3)归一化处理滤波后的极化相干矩阵；(4)提取特征矩阵F₁和F₂中每个元素的对角线元素；(5)对特征矩阵E₁和E₂进行非下采样轮廓波变换；(6)对特征矩阵进行尺度级联融合；(7)构造样本集；(8)构造轮廓波集成深度置信网络DBN变化检测模型；(9)训练轮廓波集成深度置信网络DBN变化检测模型；(10)输出变化检测结果。本发明具有对极化SAR图像变化检测结果轮廓清晰且精度高的优点。

主权项

1.一种基于轮廓波集成深度置信网络DBN的极化合成孔径雷达SAR图像变化检测方法，其特征在于，包括如下步骤：(1)输入同一地区不同时相的两幅极化合成孔径雷达SAR图像的两个极化相干矩阵；(2)滤除相干噪声：采用精致极化Lee滤波方法，对两个极化相干矩阵分别进行滤除相干噪声操作，得到两个滤波后的极化相干矩阵，其中，极化相干矩阵中每个元素是一个3×3像素的矩阵，每个像素点有9维个特征；(3)归一化处理滤波后的极化相干矩阵：将两个滤波后的极化相干矩阵中的元素值均归一化到[0,1]之间，得到两个M₁×M₂×9个像素的三维特征矩阵F₁和F₂，三维特征矩阵中每个元素是由一个3×3个像素组成，其中，M₁表示输入的极化合成孔径雷达SAR图像的长，M₂表示输入的极化合成孔径雷达SAR图像的宽；(4)提取三维特征矩阵F₁和F₂中每个元素的对角线元素：从三维特征矩阵F₁和F₂的每个3×3个像素矩阵中提取对角线元素，组成两个M₁×M₂×3个像素的三维特征矩阵E₁和E₂；(5)对三维特征矩阵E₁和E₂进行非下采样轮廓波变换：利用非下采样轮廓波变换方法，对三维特征矩阵E₁和E₂分别进行非下采样轮廓波分解，得到两个M₁×M₂×33个像素的高频特征矩阵A₁和A₂以及两个M₁×M₂×3个像素的低频特征矩阵B₁和B₂；(6)对特征矩阵进行尺度级联融合：利用尺度级联融合方法，分别对高频特征矩阵A₁和A₂、低频特征矩阵B₁和B₂进行矩阵融合，得到M₁×M₂×4个像素的三维特征矩阵F；(7)构造样本集：(7a)以5×5像素的窗口对三维特征矩阵F滑动取块，得到M₁×M₂个样本块，每个样本块是由一个5×5×4个像素组成的三维特征矩阵，将M₁×M₂个样本块组成特征矩阵集P；(7b)利用自助采样法，将特征矩阵集P进行多次自助采样操作，得到多个训练样本集和测试样本集，自助采样操作次数选取的范围为[20,50]；(8)构造轮廓波集成深度置信网络DBN变化检测模型：(8a)构造与自助采样次数相同个数的4层深度置信网络模型；(8b)将每个深度置信网络模型与一个多数表决器相连，得到集成深度置信网络DBN变化检测模型；(9)训练轮廓波集成深度置信网络DBN变化检测模型：将每个训练样本集输入到轮廓波集成深度置信网络DBN变化检测模型中，对轮廓波集成深度置信网络DBN变化检测模型进行训练，得到训练好的轮廓波集成深度置信网络DBN变化检测模型；(10)输出轮廓波集成深度置信网络DBN变化检测结果：将每个测试样本集输入到训练好的轮廓波集成深度置信网络DBN变化检测模型中，输出得到的测试样本集中每个像素的变化检测结果。