[发明专利]基于深度曲波差分DSN的极化SAR图像变化检测方法

摘要

本发明公开了一种基于深度曲波差分DSN的极化SAR图像变化检测方法，主要解决现有方法中极化SAR图像变化检测没有考虑极化SAR图像特有的多尺度特征，而且检测精度不高的问题。本发明的具体步骤如下：(1)输入极化SAR图像；(2)获得极化散射矩阵；(3)计算极化协方差矩阵；(4)获得滤波后的极化协方差矩阵；(5)计算归一化后的极化协方差矩阵；(6)构造数据集；(7)构造多尺度差分变化检测模型；(8)训练多尺度差分变化检测模型；(9)获得变化检测结果。本发明具有对极化SAR图像的多尺度特征提取好和检测精度高的优点。

主权项

1.一种基于深度曲波差分堆栈网络DSN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)输入极化合成孔径雷达SAR图像：输入同一地区不同时相的两幅待检测的极化合成孔径雷达SAR图像I₁和I₂；(2)获得极化散射矩阵：利用遥感图像配准软件，对极化合成孔径雷达SAR图像I₁和I₂进行配准操作，获得配准后的极化散射矩阵S₁和S₂；(3)获得极化协方差矩阵：利用矩阵转换方法，将极化散射矩阵S₁和S₂转换为极化协方差矩阵C₁和C₂；(4)获得滤波后的极化协方差矩阵：采用Lee滤波器，分别对极化协方差矩阵C₁和C₂进行滤波降噪处理，得到滤波后的极化协方差矩阵C₁′和C₂′；(5)计算归一化后的极化协方差矩阵：利用归一化公式，将滤波后的极化协方差矩阵C₁′和C₂′中的每个元素值归一化到[0，1]之间，得到归一化后的极化协方差矩阵F₁和F₂；(6)构建数据集：(6a)以5×5像素的滑动窗口，分别对极化协方差矩阵F₁和F₂取块，得到特征矩阵块集P₁和P₂；(6b)从特征矩阵块集P₁和P₂中分别随机选取5％的特征矩阵块，组成训练样本集W₁和W₂，将其余的特征矩阵块组成测试样本集V₁和V₂；(7)构建多尺度变化检测模型：(7a)构建两个12层的深度堆栈网络DSN模型；(7b)用曲波变换中的多尺度滤波器，构建两个多尺度滤波器层；(7c)用两个多尺度滤波器层，分别替换两个深度堆栈网络DSN模型中第2层的隐含层，得到两个多尺度变化检测模型；(8)获得深度曲波差分堆栈网络DSN模型：将两个多尺度变化检测模型接到一个差分器上，再在差分器上接入一个二分类多层感知器，得到深度曲波差分堆栈网络DSN模型；(9)训练深度曲波差分堆栈网络DSN模型：将训练样本集W₁和W₂输入到深度曲波差分堆栈网络DSN模型中，对深度曲波差分堆栈网路DSN模型进行训练，得到训练好的深度曲波差分堆栈网络DSN模型；(10)获得变化检测结果：将测试样本集V₁和V₂输入到训练好的深度曲波差分堆栈网络DSN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。