[发明专利]基于深度堆栈网络的极化SAR影像变化检测方法

权利要求书

1.一种基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，包括以下步骤：

1)将两幅极化SAR影像样本在相同地物不同时相的图像利用ENVI软件进行配准，得配准后两幅样本图像的极化散射矩阵S₁；将两幅待检测极化SAR影像在相同地物不同时相的图像利用ENVI软件进行配准，得到配准后两幅待检测图像的极化散射矩阵S₂；

2)根据配准后两幅样本图像的极化散射矩阵S₁生成极化协方差矩阵C；

3)对步骤2)得到的极化协方差矩阵C进行精致LEE滤波及去除斑点噪声处理；

4)将经步骤3)处理后的极化协方差矩阵C中的每个像素值归一化到[0，1]之间，得特征矩阵F1；

5)人工标记配准后两幅样本图像的变化检测标准图；

6)将特征矩阵F1中的各元素替换为对应元素周围5×5的图像块，然后再利用人工标记的配准后两幅样本图像的变化检测标准图去除特征矩阵F1中不准确的图像块，得两幅样本图像对应的基于图像块的特征矩阵F21；

7)将配准后两幅待检测图像的极化散射矩阵S₂作为配准后两幅样本图像的极化散射矩阵S₁，并重复步骤2)、3)、4)、5)及6)，得配准后两幅待检测图像对应的基于图像块的特征矩阵F22；

8)将两幅样本图像对应的基于图像块的特征矩阵F21拉成列向量并级联，然后再根据两幅样本图像对应的基于图像块的特征矩阵F21构建训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2；

9)构建基于深度堆栈网络的极化SAR影像变化检测模型；

10)利用训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2对基于深度堆栈网络的极化SAR影像变化检测模型进行训练，得训练后的基于深度堆栈网络的极化SAR影像变化检测模型；

11)根据训练后的基于深度堆栈网络的极化SAR影像变化检测模型对步骤7)中配准后两幅待检测图像对应的基于图像块的特征矩阵F22进行变化检测，得待检测极化SAR影像的变化检测结果，完成基于深度堆栈网络的极化SAR影像变化检测。

2.根据权利要求1所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤9)中的深度堆栈网络由N个依次相连接的神经网络构成。

3.根据权利要求2所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，所述神经网络的数目为3个。

4.根据权利要求1所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤1)的具体操作为：配准后两幅样本图像的极化散射矩阵S₁为：

其中，S_HH为水平发射且水平接收的散射分量，S_VV为垂直发射且垂直接收的散射分量，S_HV为水平发射且垂直接收的散射分量，S_VH为垂直发射且水平接收的散射分量。

5.根据权利要求4所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤2)的具体操作为：

2a)由配准后两幅样本图像的极化散射矩阵S₁得极化相干矩阵T，其中，

2b)根据式(3)得极化协方差矩阵C，其中，

C＝A^TTA (4)

6.根据权利要求1所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤4)中的特征矩阵F1为：

7.根据权利要求3所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，深度堆栈网络包括依次相连接的第一输入层、第一隐含层、第一输出层、第二输入层、第二隐含层、第二输出层、第三输入层、第三隐含层及第三输出层；其中，第一输入层的节点数为450；第一隐含层的节点数为500；第一输出层的节点数为2；第二输入层的节点数为452；第二隐含层的节点数为500；第二输出层的节点数为2；第三输入层的节点数为454；第三隐含层的节点数为500；第三输出层的节点数为2。