CN107833216A - 基于深度曲波差分dsn的极化sar图像变化检测方法 - Google Patents
基于深度曲波差分dsn的极化sar图像变化检测方法 Download PDFInfo
- Publication number
- CN107833216A CN107833216A CN201711102130.6A CN201711102130A CN107833216A CN 107833216 A CN107833216 A CN 107833216A CN 201711102130 A CN201711102130 A CN 201711102130A CN 107833216 A CN107833216 A CN 107833216A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- layer
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
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。
Description
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深度曲波差分深度堆栈网络DSN(Deep Stack Network)的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像变化检测方法。本发明可实现对两幅不同时相获取的极化合成孔径雷达SAR图像不同区域的检测,可广泛应用于土地利用,军事监测,城市规划,灾后重建等领域。
背景技术
极化合成孔径雷达SAR图像变化检测是指利用同一地区不同时相的两幅极化合成孔径雷达SAR图像来检测和分析地面的变化情况。由于极化合成孔径雷达SAR技术与普通光学遥感技术相比具有全天候、全天时工作的特点,使得极化合成孔径雷达SAR图像变化检测在民用领域和军事应用领域有着广泛的应用。近年来,利用极化合成孔径雷达SAR图像进行变化检测在国际遥感领域受到高度重视,已经成为图像处理领域的主要技术之一。
Ganchao Liu等人在其发表的论文“A new patch based change detector forpolarimetric SAR data”(Pattern Recognition,2015,48(3):685-695)中提出了一种基于块相似性的极化合成孔径雷达SAR图像变化检测方法。该方法的第一阶段首先对两幅不同时相的极化合成孔径雷达SAR图像运用非局部滤波方法和块相似算法进行降噪操作。第二阶段构造等效视数估计器,分别计算降噪后的两幅极化合成孔径雷达SAR图像的等效视数。第三阶段根据求得的等效视数,对两幅降噪后的极化合成孔径雷达SAR图像做比值操作,得到比值图。最后阶段设置合理的阈值,根据比值图求得变化检测图。由于该方法只考虑两幅图像的局部特征,虽然能够得到较好的变化检测结果,但是,该方法仍然存在的不足之处是,该方法没有考虑极化合成孔径雷达SAR图像特有的多尺度特征,所以仍存在变化检测精度不高的问题。
天津大学在其申请的专利文献“基于极化状态提取的极化合成孔径雷达SAR图像变化检测方法”(专利申请号:201610526246.1,公开号:106204569A)中提出了一种基于极化状态提取图像变化检测方法。该方法首先对已配准的两时相图像分别进行去取向和相干斑抑制的预处理操作;自动选取预处理后两时相图像中的不变目标作为样本,并构造样本目标的特征矢量;寻找使得目标特征矢量相似性系数最大的极化椭圆率角和极化方位角作为该样本目标的最优极化状态;将两幅图像所有样本目标的最优极化状态取平均后得到整幅图像的最优极化状态组合χopt和ψopt,并在最优极化状态下构造变化检测特征量。根据求得的χopt和ψopt计算极化Kennaugh矩阵,结合变化检测特征量,利用极化合成公式,计算两个时相极化合成孔径雷达SAR图像对应目标在最优极化状态下的接收功率PA和PB,并构造比值变化检测特征量F。利用双阈值判别方法对变化检测特征量F进行判别,得到变化检测结果F′。虽然,该方法提取了极化合成孔径雷达SAR图像特有的极化状态,对于极化状态特征明显的极化合成孔径雷达SAR图像有较好的检测,但是,该方法仍然存在的不足之处是,计算过程繁琐,对两幅极化合成孔径雷达SAR图像成像条件要求较高。
发明内容
本发明的目的在于克服上述现有技术的不足,提出了一种深度曲波差分DSN的极化合成孔径雷达SAR图像变化检测方法。本发明与现有其他极化合成孔径雷达SAR图像变化检测技术相比,能够有效提取极化合成孔径雷达SAR图像的特征,使得计算简便,且提高极化合成孔径雷达SAR图像变化检测的检测精度。
本发明实现上述目的的思路是:先对输入的不同时相同一地区的极化合成孔径雷达SAR图像进行配准,再对其极化协方差矩阵进行Lee滤波,然后对滤波后的极化协方差矩阵滑窗取块得到训练样本集,再构建多尺度差分变化检测模型,用训练样本集训练模型,最后将测试数据集送入训练好的变化检测模型得到变化检测结果。
本发明实现的具体步骤包括如下:
(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未经处理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)构建多尺度差分变化检测模型:
(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,对该模型进行训练,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。
本发明与现有技术相比具有以下优点:
第一,由于本发明采用多尺度滤波器层,利用曲波变化中的多尺度滤波器,克服了现有技术中没有考虑极化合成孔径雷达SAR图像特有的多尺度特征,对极化合成孔径雷达SAR图像变化检测精度不高的问题,使得本发明可以提取极化合成孔径雷达SAR图像的多尺度特征,进而减少了变化检测的误检率。
第二,由于本发明采用多尺度差分变化检测模型,将多尺度滤波器与深度堆栈网络模型结合,利用深度学习方法中的深度堆栈网络模型,克服了现有技术中计算过程繁琐,对两幅极化合成孔径雷达SAR图像成像条件要求较高的问题,使得本发明计算简便,对成像条件不好的极化合成孔径雷达SAR图像泛化性能强。
附图说明
图1是本发明的流程图;
图2是本发明仿真实验使用的真实的极化合成孔径雷达SAR图像数据及相应的变化检测参考图;
图3是本发明仿真实验使用的构造的极化合成孔径雷达SAR图像数据及相应的变化检测参考图;
图4是本发明对Tokyo地区极化合成孔径雷达SAR图像的仿真实验的变化检测结果图;
图5是本发明对构造的极化合成孔径雷达SAR图像的仿真实验的变化检测结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,本发明实现的具体步骤如下。
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未经处理的极化合成孔径雷达SAR图像I1和I2。
步骤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。
步骤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。
矩阵转换方法的具体步骤如下,其中极化协方差矩阵C1和C2的转换步骤相同:
第一步,按照下式,计算待转换矩阵对应的极化相干矩阵:
其中,D11表示极化相干矩阵D中第一行第一列的元素,|·|表示取绝对值操作,SHH表示卫星水平发射且水平接收形成的极化合成孔径雷达SAR图像的散射分量,SVV表示卫星垂直发射且垂直接收形成的极化合成孔径雷达SAR图像的散射分量,D12表示极化相干矩阵D中第一行第二列的元素,D13表示极化相干矩阵D中第一行第三列的元素,SHV表示卫星水平发射且垂直接收形成的极化合成孔径雷达SAR图像的散射分量,D21表示极化相干矩阵D中第二行第一列的元素,D22表示极化相干矩阵D中第二行第二列的元素,D23表示极化相干矩阵D中第二行第三列的元素,SVH表示卫星垂直发射且水平接收形成的极化合成孔径雷达SAR图像的散射分量,D31表示极化相干矩阵D中第三行第一列的元素,D32表示极化相干矩阵D中第三行第二列的元素,D33表示极化相干矩阵D中第三行第三列的元素;
第二步,按照下式,计算极化协方差矩阵:
C=AT·D·A
其中,A表示转换矩阵,C表示极化协方差矩阵,T表示转置操作,·表示矩阵相乘操作,D表示极化相干矩阵。
步骤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′。
步骤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。
归一化公式如下,其中极化协方差矩阵F1和F2的归一化公式相同:
按照下式,计算归一化后的极化协方差矩阵:
其中,F表示归一化后的极化协方差矩阵,C′表示滤波后的极化协方差矩阵,min(·)表示取最小值操作,max(·)表示取最大值操作。
步骤6,构建数据集。
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;
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;
步骤7,构建多尺度变化检测模型。
构建两个12层的深度堆栈网络DSN模型。
所述的12层的深度堆栈网络DSN模型的结构如下:输入层→隐含层→输出层→输入层→隐含层→输出层→输入层→隐含层→输出层→输入层→隐含层→输出层,其中输入到第4层输入层、第7层输入层、第10层输入层的数据中均包含第1层输入层的输入数据,各层参数的设置如下:
将第1层输入层的节点个数设置为150;
将第2层隐含层的节点个数设置为500;
将第3层输出层的节点个数设置为2;
将第4层输入层的节点个数设置为152;
将第5层隐含层的节点个数设置为500;
将第6层输出层的节点个数设置为2;
将第7层输入层的节点个数设置为154;
将第8层隐含层的节点个数设置为500;
将第9层输出层的节点个数设置为2;
将第10层输入层的节点个数设置为156;
将第11层隐含层的节点个数设置为500;
将第12层输出层的节点个数设置为2。
用曲波变换中的多尺度滤波器构建多尺度滤波器层。
所述的用曲波变换中的多尺度滤波器构建多尺度滤波器层的具体步骤如下:
第1步,利用非等间快速傅里叶变换USFFT(unequally-space fast Fouriertransform),对深度堆栈网络DSN模型中第1层输入层的输出数据进行分解,得到曲波系数;
第2步,从曲波系数中随机提取50%的系数,得到系数集,用非等间快速傅里叶变换USFFT曲波逆变换,对系数集进行逆变换,得到多尺度滤波器层。
用两个多尺度滤波器层,分别替换两个深度堆栈网络DSN模型中的第2层隐含层,得到两个多尺度变化检测模型。
所述的多尺度变化检测模型,其结构如下:输入层→多尺度滤波器层→输出层→输入层→隐含层→输出层→输入层→隐含层→输出层→输入层→隐含层→输出层,其中,除多尺度滤波器层的节点个数设置为2外,其余11层的参数设置与深度堆栈网络DSN模型中设置的参数相同。
步骤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。
步骤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,对该模型进行训练,得到训练好的深度曲波差分堆栈网络DSN模型。
将训练样本集W1和W2分别作为深度曲波差分堆栈网络DSN模型的两个通道的输入,得到两个通道各自提取的特征,送入差分器,再经过二分类多层感知器分类,得到训练样本集每个样本的类别,用该类别与正确类别之间的误差,优化深度曲波差分堆栈网络DSN模型的网络参数,得到训练好的深度曲波差分堆栈网络DSN模型。
步骤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。
下面结合仿真实验对本发明的效果做进一步的说明:
1、仿真条件:
本发明的仿真实验是在主频2.40GHz*16的Intel(R)Xeon(R)E5-2630CPU、内存64GB的硬件环境和Keras的软件环境下进行的。
本发明的仿真实验使用了一组真实的极化合成孔径雷达SAR图像数据及相应的变化检测参考图,如图2所示。
本发明仿真实验使用的一组真实的极化合成孔径雷达SAR图像数据及相应的变化检测参考图的图像大小是500×500。其中,图2(a)是2006年4月的Tokyo地区的极化合成孔径雷达SAR图像,图2(b)是2009年7月的Tokyo地区的极化合成孔径雷达SAR图像,图2(c)是Tokyo地区相应的变化检测参考图。
本发明的仿真实验使用了一组构造的极化合成孔径雷达SAR图像数据及相应的变化检测参考图,如图3所示。
本发明仿真实验使用的一组构造的极化合成孔径雷达SAR图像数据及相应的变化检测参考图的图像大小是302×450。其中,图3(a)是利用2006年4月的Tokyo地区的极化合成孔径雷达SAR图像构造得到的,图3(b)是利用2009年7月的Tokyo地区的极化合成孔径雷达SAR图像构造得到的,图3(c)是构造的极化合成孔径雷达SAR图像相应的变化检测参考图。
本发明仿真实验所使用的仿真参数如下:
正确率PCC:PCC=1-总错误数/总像素数。
衡量检测结果图与参考图一致性的Kappa系数:Kappa=(PCC-PRE)/(1-PRE),其中,正确率PCC表示实际的一致率,PRE表示理论的一致率。
2、仿真内容与结果分析:
本发明的仿真实验采用一种现有技术(基于深度堆栈网络的方法)与本发明方法,分别对Tokyo地区极化合成孔径雷达SAR图像、构造的极化合成孔径雷达SAR图像进行变化检测的检测结果进行对比。
图4是采用本发明方法对Tokyo地区极化合成孔径雷达SAR图像的仿真实验的仿真结果图。如图4所示,其中,图4(a)是采用深度堆栈网络的方法对Tokyo地区极化合成孔径雷达SAR图像的仿真实验的仿真结果图,图4(b)是采用本发明方法对Tokyo地区极化合成孔径雷达SAR图像的仿真实验的仿真结果图。
由图4中白色孤立杂点数目可以看出,采用本发明方法的变化检测结果图中的噪声点少,而且变化检测结果图的边缘清晰。
表1.Tokyo地区极化合成孔径雷达SAR图像变化检测结果一览表
正确率PCC | Kappa系数 | |
DSN | 0.9565 | 0.6759 |
曲波差分DSN | 0.9662 | 0.7763 |
表1是本发明的仿真实验采用一种现有技术和本发明方法对正确率PCC和Kappa系数进行统计。表中DSN表示基于深度堆栈网络的方法,曲波差分DSN表示本发明采用的深度曲波差分堆栈网络方法。从表1中可以看出,本发明方法的变化检测正确率PCC和Kappa系数,都高于深度堆栈网络方法,检测效果良好。
图5是采用本发明方法对构造的极化合成孔径雷达SAR图像的仿真实验的仿真结果图。如图5所示,其中,图5(a)是采用深度堆栈网络的方法对构造的极化合成孔径雷达SAR图像的仿真实验的仿真结果图,图5(b)是采用本发明方法对构造的极化合成孔径雷达SAR图像的仿真实验的仿真结果图。
从图5的白色区域边缘可以看出,采用本发明方法的变化检测结果图中细小边缘的检测更为有效且噪声点少。
表2.构造的极化合成孔径雷达SAR图像变化检测结果一览表
正确率PCC | Kappa系数 | |
DSN | 0.9797 | 0.8078 |
曲波差分DSN | 0.9842 | 0.8663 |
表2是本发明的仿真实验采用一种现有技术和本发明方法对正确率PCC和Kappa系数进行统计。表中DSN表示基于深度堆栈网络的方法,曲波差分DSN表示本发明采用的深度曲波差分堆栈网络方法。从表2中可以看出,本发明方法的变化检测正确率PCC和Kappa系数,都高于深度堆栈网络方法,检测效果良好。
Claims (6)
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,对该模型进行训练,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。
2.根据权利要求1所述的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:步骤(3)中所述矩阵转换方法的具体步骤如下,其中极化协方差矩阵C1和C2的转换步骤相同:
第一步,按照下式,计算待转换矩阵对应的极化相干矩阵:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>11</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>H</mi>
<mi>H</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>V</mi>
<mi>V</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>12</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>H</mi>
<mi>H</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>V</mi>
<mi>V</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>H</mi>
<mi>H</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>V</mi>
<mi>V</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>13</mn>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>H</mi>
<mi>H</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>V</mi>
<mi>V</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>H</mi>
<mi>V</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>21</mn>
</msub>
<mo>=</mo>
<msub>
<mi>D</mi>
<mn>12</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>22</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>H</mi>
<mi>H</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>V</mi>
<mi>V</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>23</mn>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>H</mi>
<mi>H</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>V</mi>
<mi>V</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>V</mi>
<mi>H</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>31</mn>
</msub>
<mo>=</mo>
<msub>
<mi>D</mi>
<mn>13</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>32</mn>
</msub>
<mo>=</mo>
<msub>
<mi>D</mi>
<mn>23</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>33</mn>
</msub>
<mo>=</mo>
<mn>2</mn>
<mo>|</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>V</mi>
<mi>H</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>D</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>D</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>D</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>D</mi>
<mn>13</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>D</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>D</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>D</mi>
<mn>23</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>D</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>D</mi>
<mn>32</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>D</mi>
<mn>33</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,D11表示极化相干矩阵D中第一行第一列的元素,|·|表示取绝对值操作,SHH表示卫星水平发射且水平接收形成的极化合成孔径雷达SAR图像的散射分量,SVV表示卫星垂直发射且垂直接收形成的极化合成孔径雷达SAR图像的散射分量,D12表示极化相干矩阵D中第一行第二列的元素,D13表示极化相干矩阵D中第一行第三列的元素,SHV表示卫星水平发射且垂直接收形成的极化合成孔径雷达SAR图像的散射分量,D21表示极化相干矩阵D中第二行第一列的元素,D22表示极化相干矩阵D中第二行第二列的元素,D23表示极化相干矩阵D中第二行第三列的元素,SVH表示卫星垂直发射且水平接收形成的极化合成孔径雷达SAR图像的散射分量,D31表示极化相干矩阵D中第三行第一列的元素,D32表示极化相干矩阵D中第三行第二列的元素,D33表示极化相干矩阵D中第三行第三列的元素;
第二步,按照下式,计算极化协方差矩阵:
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mn>2</mn>
</msqrt>
</mfrac>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msqrt>
<mn>2</mn>
</msqrt>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
C=AT·D·A
其中,A表示转换矩阵,C表示极化协方差矩阵,T表示转置操作,·表示矩阵相乘操作,D表示极化相干矩阵。
3.根据权利要求1所述的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:步骤(5)中所述归一化公式如下,其中极化协方差矩阵F1和F2的归一化公式相同:
按照下式,计算归一化后的极化协方差矩阵:
<mrow>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>max</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>C</mi>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,F表示归一化后的极化协方差矩阵,C′表示滤波后的极化协方差矩阵,min(·)表示取最小值操作,max(·)表示取最大值操作。
4.根据权利要求1所述的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:步骤(7a)中所述的12层的深度堆栈网络DSN模型的结构如下:输入层→隐含层→输出层→输入层→隐含层→输出层→输入层→隐含层→输出层→输入层→隐含层→输出层,其中输入到第4层输入层、第7层输入层、第10层输入层的数据中包含第1层输入层的输入数据,各层参数的设置如下:
将第1层输入层的节点个数设置为150;
将第2层隐含层的节点个数设置为500;
将第3层输出层的节点个数设置为2;
将第4层输入层的节点个数设置为152;
将第5层隐含层的节点个数设置为500;
将第6层输出层的节点个数设置为2;
将第7层输入层的节点个数设置为154;
将第8层隐含层的节点个数设置为500;
将第9层输出层的节点个数设置为2;
将第10层输入层的节点个数设置为156;
将第11层隐含层的节点个数设置为500;
将第12层输出层的节点个数设置为2。
5.根据权利要求1所述的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:步骤(7b)中所述的用曲波变换中的多尺度滤波器构建多尺度滤波器层的具体步骤如下:
第一步,利用非等间快速傅里叶变换USFFT,对深度堆栈网络DSN模型中第1层输入层的输出数据进行分解,得到曲波系数;
第二步,从曲波系数中随机提取50%的系数,得到系数集,用非等间快速傅里叶变换USFFT曲波逆变换,对系数集进行逆变换,得到多尺度滤波器层。
6.根据权利要求1所述的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:步骤(7c)中所述的多尺度变化检测模型,其结构如下:输入层→多尺度滤波器层→输出层→输入层→隐含层→输出层→输入层→隐含层→输出层→输入层→隐含层→输出层,其中,除多尺度滤波器层的节点个数设置为2外,其余11层的参数设置与深度堆栈网络DSN模型中设置的参数相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711102130.6A CN107833216B (zh) | 2017-11-10 | 2017-11-10 | 基于深度曲波差分dsn的极化sar图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711102130.6A CN107833216B (zh) | 2017-11-10 | 2017-11-10 | 基于深度曲波差分dsn的极化sar图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107833216A true CN107833216A (zh) | 2018-03-23 |
CN107833216B CN107833216B (zh) | 2019-10-25 |
Family
ID=61654974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711102130.6A Active CN107833216B (zh) | 2017-11-10 | 2017-11-10 | 基于深度曲波差分dsn的极化sar图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107833216B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173587A (zh) * | 2023-08-23 | 2023-12-05 | 哈尔滨工程大学 | 一种基于异构图像深度转换的特征细化融合变化检测方法 |
CN117173587B (zh) * | 2023-08-23 | 2024-07-12 | 哈尔滨工程大学 | 一种基于异构图像深度转换的特征细化融合变化检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521796A (zh) * | 2011-10-31 | 2012-06-27 | 南京大学 | 一种基于曲波变换的图像去块效应方法 |
CN105117736A (zh) * | 2015-08-18 | 2015-12-02 | 西安电子科技大学 | 基于稀疏深度堆栈网络的极化sar图像分类方法 |
EP2993618A1 (en) * | 2014-09-04 | 2016-03-09 | Xerox Corporation | Domain adaptation for image classification with class priors |
CN105868793A (zh) * | 2016-04-18 | 2016-08-17 | 西安电子科技大学 | 基于多尺度深度滤波器的极化sar图像分类方法 |
CN107301221A (zh) * | 2017-06-16 | 2017-10-27 | 华南理工大学 | 一种多特征维度堆融合的数据挖掘方法 |
-
2017
- 2017-11-10 CN CN201711102130.6A patent/CN107833216B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521796A (zh) * | 2011-10-31 | 2012-06-27 | 南京大学 | 一种基于曲波变换的图像去块效应方法 |
EP2993618A1 (en) * | 2014-09-04 | 2016-03-09 | Xerox Corporation | Domain adaptation for image classification with class priors |
CN105117736A (zh) * | 2015-08-18 | 2015-12-02 | 西安电子科技大学 | 基于稀疏深度堆栈网络的极化sar图像分类方法 |
CN105868793A (zh) * | 2016-04-18 | 2016-08-17 | 西安电子科技大学 | 基于多尺度深度滤波器的极化sar图像分类方法 |
CN107301221A (zh) * | 2017-06-16 | 2017-10-27 | 华南理工大学 | 一种多特征维度堆融合的数据挖掘方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173587A (zh) * | 2023-08-23 | 2023-12-05 | 哈尔滨工程大学 | 一种基于异构图像深度转换的特征细化融合变化检测方法 |
CN117173587B (zh) * | 2023-08-23 | 2024-07-12 | 哈尔滨工程大学 | 一种基于异构图像深度转换的特征细化融合变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107833216B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104376330B (zh) | 基于超像素散射机制的极化sar图像舰船目标检测方法 | |
CN107292317B (zh) | 基于浅层特征与t矩阵深度学习的极化sar分类方法 | |
CN101908138B (zh) | 基于噪声独立成分分析的合成孔径雷达图像目标识别方法 | |
CN104156736B (zh) | 基于sae和idl的极化sar图像分类方法 | |
CN103177458B (zh) | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN104299232B (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN102722892B (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN104794729B (zh) | 基于显著性引导的sar图像变化检测方法 | |
CN104616280B (zh) | 基于最大稳定极值区域和相位一致性的图像配准方法 | |
CN110516728B (zh) | 基于去噪卷积神经网络的极化sar地物分类方法 | |
CN107563433A (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN105335975B (zh) | 基于低秩分解和直方图统计的极化sar图像分割方法 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN110533077A (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN109143195A (zh) | 一种基于全kl散度的雷达目标检测方法 | |
CN105608465A (zh) | 全极化sar海岸线地物分类方法 | |
CN115661649B (zh) | 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统 | |
CN107256409A (zh) | 基于sae和显著性检测的高分辨sar图像变化检测方法 | |
CN116359851A (zh) | 一种基于融合网络的雷达有源干扰检测识别方法及装置 | |
CN107123125A (zh) | 基于散射特征与低秩稀疏模型的极化sar变化检测方法 | |
CN105205807A (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |