CN117333468B - 面向多模式时序PolSAR影像的洪涝灾害监测方法 - Google Patents

Abstract

本发明公开了一种面向多模式时序PolSAR影像的洪涝灾害监测方法，所述方法包括：创建多模式时序PolSAR影像的极化变化不敏感特征和时序结构特征描述符并进行影像配准；采用球不变随机矢量模型及边缘信息约束自适应构建时序分割影像；基于加权超图映射构建时序分割影像的时序非局部差异影像，分析多模式时序PolSAR影像的潜在变化区域；逐像素判断潜在变化区域的像素变化结果，监测洪涝灾害影响区域。本发明通过“多模式PolSAR影像精确配准‑时序对象自适应构建‑差异影像精准表达”主体思路，分析多模式时序PolSAR影像的潜在变化区域，实现洪涝灾害动态监测及分析，提高预警的准确度。

Description

面向多模式时序PolSAR影像的洪涝灾害监测方法

技术领域

本发明属于遥感影像解译技术领域，具体涉及一种面向多模式时序PolSAR(Polarimetric Synthetic Aperture Radar，极化合成孔径雷达)影像的洪涝灾害监测方法。

背景技术

基于时间序列遥感影像的洪涝灾害监测可快速、大范围更新灾区受灾情景，可为防灾减灾部门服务持续监测洪涝灾情发展动态。然而，光学遥感易受光照、天气等因素干扰，特别在强暴雨时期，无法获取监测区域短时序列高质量的成像影像，难以满足洪涝灾害监测对影像高时效性的要求。而PolSAR不仅可以通过主动微波成像方式避免光学传感器易受光照、天气等因素的影响，有效提高观测数据获取的时效性；而且与单极化SAR相比，PolSAR通过收发不同极化方式的电磁波，可获取更加详尽的地物散射信息，已成为当前对地观测领域最前沿技术之一，为高精度洪涝灾害监测提供数据支持。

同时，随着国内外星载、机载PolSAR系统(如国外Radarsat-2、ALOS-2、UAVSAR以及国内GaoFen-3、LuTan-1等)成功研制，获取同一地区短时序列PolSAR影像成为可能，为全天时、全天候洪涝灾害监测提供数据保障。然而，为实现洪涝灾害持续监测应用过程中，目前所利用的时序PolSAR影像往往通过紧急调度或历史存档等方式获取的多模式时序影像，如多传感器(如Radarsat-2、GaoFen-3、ALOS-2等)、不同成像模式(如不同波段、升降轨、入射角等)等多模式时序影像，难以保证获取的时序影像成像模式一致性。但PolSAR影像特殊成像方式(如侧视成像)与时序PolSAR影像间成像模式的差异性，导致许多地物的散射特征在不同模式影像上发生变化，易引起相同地理位置未发生变化的地物在时序PolSAR影像的极化散射特征不同，难以通过比较其极化散射属性实现洪涝灾害准确、动态监测。

传统时序PolSAR洪涝灾害监测方法大多利用相同成像模式的影像，通过极化相似性测度，如极化距离测度(如Wishart互信息、Bhattacharyya距离)、检验统计量(如行列式比率、Minkowski对数比、Omnibus统计假设检验等)及其他算法(如小波交叉不相似测度、变化检测矩阵、熵相似性矩阵等)构建时序差异影像，并利用阈值、聚类方法获取洪涝灾害影响信息。CN114037903A的发明专利公开了一种洪涝灾害水体范围检测方法，其比较洪涝灾害前后两时相SAR影像之间的差异，通过预设网络分类器进行变化和非变化像素预测，从而判断水体变化，实现洪涝灾害水体范围检测。然而，以上洪涝灾害监测方法鲜有顾及多模式时序PolSAR影像成像差异导致不变地物极化特征异质性与多样性的影响，洪涝灾害监测虚警率较高，总体监测精度较低。

发明内容

有鉴于此，本发明提出了一种面向多模式时序PolSAR影像的洪涝灾害监测方法，用于解决多模式时序PolSAR洪涝灾害监测虚警率高的问题。

本发明公开了一种面向多模式时序PolSAR影像的洪涝灾害监测方法面向多模式时序PolSAR影像的洪涝灾害监测方法，所述方法包括：

基于多模式时序PolSAR影像的结构一致性特点，创建多模式时序PolSAR影像的极化变化不敏感特征和时序结构特征描述符；

基于极化变化不敏感特征对多模式时序PolSAR影像进行粗配准，基于时序结构特征描述符对多模式时序PolSAR影像进行精配准；

基于配准后的多模式时序PolSAR影像，采用球不变随机矢量模型及边缘信息约束自适应构建时序分割影像；

基于加权超图映射构建时序分割影像的时序非局部差异影像，分析多模式时序PolSAR影像的潜在变化区域；

逐像素判断多模式时序PolSAR影像的潜在变化区域的像素变化结果，监测洪涝灾害影响区域。

在以上技术方案的基础上，优选的，所述创建极化变化不敏感特征具体包括：

将预处理后的多模式时序PolSAR影像的各极化通道分别与Log-Gabor滤波器进行卷积运算；

引入相干斑噪声补偿项，创建多模态时序PolSAR影像在不同成像模式、不同尺度、不同方向下的序列相位一致性特征；

将序列相位一致性特征作为多模式时序PolSAR影像的极化变化不敏感特征。

在以上技术方案的基础上，优选的，所述序列相位一致性特征的表达式为：

其中，PC(θ_o)为时序PolSAR影像的序列相位一致性特征，w₀(x,y)代表位置(x,y)处的加权因子，是相位偏差函数，A_so(x,y)及θ_so分别表示时序PolSAR影像各极化通道在模版窗口内不同尺度s和方向o下位置(x,y)处的振幅和相位信息，T_t为相干斑噪声补偿项，ξ为大于0的常数；o＝1,2,...,O，s＝1,2,...,S，O为方向总数，S为尺度总数。

在以上技术方案的基础上，优选的，所述时序结构特征描述符的表达式为：

其中，THOPC表示基准影像与非基准影像在局部区域的时序结构特征描述符，t＝1,2,...,T，T为多模式时序PolSAR影像总数，k表示模板窗口的大小，k＝1,2,...,K，V_A代表多模式时序PolSAR影像中基准影像的局部区域A在不同方向的振幅A_so和相位信息θ_so组成的特征向量，V_B为非基准影像的局部区域B在不同方向的振幅A_so和相位信息θ_so组组成的特征向量，和分别代表V_A和V_B的均值。

在以上技术方案的基础上，优选的，所述基于时序结构特征描述符对多模式时序PolSAR影像进行精配准具体包括：

比较基准影像与非基准影像在局部区域的时序结构特征描述符THOPC间的差异；

剔除THOPC间的差异大于预设阈值的特征点对，得到基准影像与非基准影像之间的稳健特征点，分别确定稳健特征点在基准影像p对应的模板窗口内的时序结构特征描述符D_p、在非基准影像q对应的模版窗口内的时序结构特征描述符D_q；

计算时序结构特征描述符D_p、D_q之间的差异性度量S_pq(v)；

计算差异性度量最小值时基准影像p、非基准影像q的模板窗口之间的偏移量v_pq；

联合最小二乘方法计算同名点残差，剔除残差最大的同名点，利用线性分段函数对时序影像按照偏移量v_pq进行修正，实现多模式时序PolSAR影像精确配准。

在以上技术方案的基础上，优选的，所述计算时序结构特征描述符D_p、D_q之间的差异性度量S_pq(v)的公式为：

其中，x_i、x_j分别为通过方向梯度直方图获得的基准影像与非基准影像在对应的模版窗口内所提取的8个不同方向的特征向量，即x_i＝{x₁,x₂,…,x_n}，x_j＝{x_n+1,x_n+2,…,x_2n}，D_p(·)、D_q(·)分别为基准影像p、非基准影像q对应的模版窗口的中心点位为基准计算的时序结构特征描述符，v为由x_i与x_j组成的集合即v＝{x₁,x₂,…,x_n，x_n+1,x_n+2,…,x_2n}，为矢量v的算数平均值，T_pq(·)为掩膜函数。

在以上技术方案的基础上，优选的，所述采用球不变随机矢量模型及边缘信息约束自适应构建时序分割影像具体包括：

利用SIRV模型将多模式时序PolSAR影像的极化相干矩阵T₃分解为归一化极化相干矩阵M和纹理特征矩阵τ；

基于深度学习网络提取时序PolSAR影像的时序边缘信息；

以时序边缘信息为约束，基于归一化极化相干矩阵M提取时序PolSAR影像的分割块；

构建分割块差异指数，确定多模式时序PolSAR影像的最优分割尺度；

基于最优分割尺度进行区域合并，得到时序分割影像SI。

在以上技术方案的基础上，优选的，所述构建分割块差异指数，确定多模式时序PolSAR影像的最优分割尺度具体包括：

构建像素差异指数K(Q|P)：

p(x)与q(x)分别代表影像内部两个分割块P和Q的Wishart距离测度；x代表像素点；

以分割块内的像素差异指数最小、同时分割块之间的像素差异指数最大为目标，确定多模式时序PolSAR影像的最优分割尺度。

在以上技术方案的基础上，优选的，所述进行区域合并的合并准则采用同质度测度，同质度测度函数表达式为：

其中，X_s表示在区域X内第s个像素的协方差矩阵，s＝1,2,…,n_x，n_x是区域X中的像素个数，M_X表示归一化极化相干矩阵M在区域X的平均值，F代表范数。

本发明相对于现有技术具有以下有益效果：

1)本发明利用不变地物在多模式时序影像上表现结构一致性，建立极化变化不敏感特征对多模式时序PolSAR影像进行粗配准，建立时序结构特征描述符对多模式时序PolSAR影像进行精配准，提高配准准确度。

2)本发明考虑到了时序PolSAR影像不可避免受相干斑影响的问题，在建立序列相位一致性时引入相干斑噪声补偿项，可以减少相干斑噪声的影响。

3)根据模板窗口内局部序列相位一致性的幅值和方向信息，创建了独立于不同成像模式极化信息的时序相位一致性特征描述符，得到对应时序结构特征用于精配准，可以自适应构建与表达高可信时序相似性测度，提高配准准确度。

4)本发明基于改进SIVR模型进行PolSAR影像极化-纹理特征分离，基于深度学习网络提取时序PolSAR影像的时序边缘信息，以时序边缘信息为约束，对多模式时序PolSAR影像进行分割和合并，实现时序非局部差异影像精准构建及表达，可以精准捕捉影像变化，提高灾害预警准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的面向多模式时序PolSAR影像的洪涝灾害监测方法面向多模式时序PolSAR影像的洪涝灾害监测方法流程图；

图2为模版匹配的示意图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

请参阅图1，本发明提出了一种面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，所述方法包括：

S1、基于极化变化不敏感特征和时序结构特征描述符进行多模式时序PolSAR影像配准。

获取原始多模式时序PolSAR影像后，先对原始多模式时序PolSAR影像进行滤波、几何校正等预处理，然后对多模式时序PolSAR影像进行配准。

本发明利用多模式时序PolSAR影像对相同覆盖地物极化散射作用不同但其结构特征保持一致的特点，构建了一种基于时序多模式PolSAR影像的“粗配准-精配准”的新框架，以进行洪涝灾害动态监测之前的多模式时序PolSAR影像配准。

步骤S1具体包括如下分步骤：

S11、创建极化变化不敏感特征。

相位一致性对噪声很敏感，特别是时序PolSAR影像不可避免受相干斑噪声影响，该相干斑噪声为乘性噪声，为了减少相干斑噪声的影响，本发明在创建极化变化不敏感特征引入相干斑噪声补偿项。

本发明将预处理后的多模式时序PolSAR影像I_i的各极化通道分别与Log-Gabor滤波器进行卷积运算，并引入相干斑噪声补偿项，创建多模态时序PolSAR影像在不同成像模式、不同尺度及方向在同一位置的序列相位一致性特征，将该序列相位一致性特征作为多模式时序PolSAR影像的极化变化不敏感特征。

多模态时序PolSAR影像在不同成像模式、不同尺度s及方向o在位置(x,y)的序列相位一致性特征的表达式为：

其中，PC(θ_so)为时序PolSAR影像的序列相位一致性，w₀(x,y)代表位置(x,y)处的加权因子，是相位偏差函数，T_t为相干斑噪声补偿项，ξ为大于0的常数。A_so(x,y)及θ_so分别表示时序PolSAR影像各极化通道在模版窗口内不同尺度s和方向o下位置(x,y)处的振幅和相位信息：

其中，o＝1，2，...，O，s＝1，2，...，S，O为方向总数，S为尺度总数。e_so(x，y)及o_so(x，y)分别为不同尺度及方向在位置(x，y)的响应分量，用于检测序列相位信息的一致性程度：

e_so(x，y)＝I_i(x，y)*L^even(x，y，s，o)

o_so(x，y)＝I_i(x，y)*L^odd(x，y，s，o)

L^even(x，y，s，o)及L^odd(x，y，s，o)分别代表偶对称与奇对称Log-Gabor小波函数。

S12、基于极化变化不敏感特征对多模式时序PolSAR影像进行粗配准。

基于极化变化不敏感特征构造最大矩M与最小矩m，以进行多模式时序PolSAR影像特征点描述：

参数a、b、c为中间变量，其表达式分别为：

考虑到多模式PolSAR影像的结构信息具有较好抗极化异质性的能力，本发明通过联合利用FAST及Harris算法分别对M及m进行时序特征点P_i(如影像的角点、拐点等)进行检测。配准时，从多模式时序PolSAR影像中选取一张影像作为基准影像，欲与基准影像匹配的影像作为非基准影像，通过同名点匹配实现多模式时序PolSAR影像的粗配准。同时，为克服多模式时序PolSAR影像间存在较大旋转差异，通过快速样本共识算法剔除误匹配的时序特征点，进而得到稳健匹配的特征点对。

S13、创建时序结构特征描述符。

本发明基于序列相位一致性特征中的幅值A_so和相位信息θ_so，联合时序极化卷积特征通道信息，创建独立于不同成像模式极化信息的时序结构特征描述(THOPC)。

基于粗配准结果，确定与基准影像的局部区域A相匹配的局部区域B，对局部区域A与局部区域B进行模版匹配，图2所示为模版匹配时影像、局部区域、模版窗口的示意图。

多模式时序PolSAR影像中基准影像与非基准影像的局部区域的时序结构特征描述符的表达式THOPC为：

其中，t＝1,2,...,T，T为多模式时序PolSAR影像总数，k表示模板窗口的大小，k＝1,2,...,K，V_A代表多模式时序PolSAR影像中基准影像的局部区域A在不同方向的振幅A_so和相位信息θ_so组成的特征向量，即在基准影像的局部区域A上按照相应的公式分别计算8个不同方向[0°,45°,90°,135°,180°,225°,270°,315°]的幅值A_so和相位信息θ_so，并组成相应的特征向量V_A。类似地，V_B为非基准影像的局部区域B在不同方向的振幅和相位信息组成的特征向量，在局部区域B获取的8个不同方向的幅值A_so和相位信息θ_so组成相应的特征向量V_B。和分别代表V_A和V_B的均值。

S14、基于时序结构特征描述符对多模式时序PolSAR影像进行精配准。

步骤S14具体包括如下分步骤：

S141、比较基准影像与非基准影像在局部区域的时序结构特征描述符THOPC间的差异，剔除THOPC间的差异大于预设阈值的特征点对，得到基准影像与非基准影像之间的稳健特征点，分别确定稳健特征点在基准影像p对应的模板窗口内的时序结构特征描述符D_p、在非基准影像q对应的模版窗口内的时序结构特征描述符D_q。

S142、计算时序结构特征描述符D_p、D_q之间的差异性度量S_pq(v)：

其中，x_i、x_j分别为通过方向梯度直方图获得的基准影像与非基准影像在对应的模版窗口内所提取的8个不同方向的特征向量，即x_i＝{x₁,x₂,…,x_n}，x_j＝{x_n+1,x_n+2,…,x_2n}，D_p(·)、D_q(·)分别为基准影像p、非基准影像q对应的模版窗口的中心点位为基准计算的时序结构特征描述符，v为由x_i与x_j组成的集合即v＝{x₁,x₂,…,x_n，x_n+1,x_n+2,…,x_2n}，为矢量v的算数平均值，T_pq(·)为掩膜函数。

S143、计算差异性度量最小值时基准影像p、非基准影像q的模板窗口之间的偏移量v_pq：

本发明通过求解差异性度量最小值实现模板匹配。

S144、联合最小二乘方法计算同名点残差，剔除残差最大的同名点，利用线性分段函数对时序影像按照偏移量v_pq进行修正，实现多模式时序PolSAR影像精确配准。

S2、基于配准后的多模式时序PolSAR影像，采用球不变随机矢量模型及边缘信息约束自适应构建时序分割影像。

步骤S2具体包括如下分步骤：

S21、利用SIRV模型将多模式时序PolSAR影像的极化相干矩阵T₃分解为归一化相干矩阵M和纹理特征矩阵τ。

SIRV模型是一种基于杂波分解的乘法模型，对于PolSAR影像的每个极化通道可共享相同纹理分量τ，即PolSAR影像的复散射矢量k表示为：

其中，z代表m维零均值高斯随机复矢量(极化分量)。在单站观测情况下，归一化极化相干矩阵M可表示为：

为z的共轭转置，且有Tr(M)＝m，E{·}表示数学期望，则：

根据上式，SIRV模型将极化相干矩阵T₃分解为两个独立域(极化域M和纹理域τ)。

为实现极化特征与纹理特征的准确分离，需求解归一化协方差矩阵M的极大似然估计及纹理特征矩阵τ的近似极大似然估计本发明改进了SIRV模型，通过选取N个样本点，联合不动点迭代法及极化白化滤波器(PWF)求解

其中，r为矩阵的秩，h为循环迭代次数，S_u为所选的第u个样本，u＝1,2,3,…,N。Tr()代表矩阵的迹，为第h+1次迭代时第u个样本的纹理特征矩阵的极大似然估计，为对应的归一化协方差矩阵的极大似然估计。

考虑到不动点迭代法易受初始样本点影响，造成归一化相干矩阵存在模糊效应，进而影响纹理特征重建效果。本发明又通过引入非局部块匹配测度筛选像素样本准确估计归一化极化相干矩阵M。本发明采用距离测度作为构建非局部块匹配测度的准则：

其中，L为所筛选样本的个数，l＝1，2，..，L，δ(p0)和δ(q0)分别表示以中心像素p0及中心像素q0为中心的两个非局部区域像素块，分别代表通过同步稀疏编码(SAR-POTDF)技术获取的非局部匹配窗口中的两个纹理块。通过此步骤，本发明可实现多模式时序PolSAR影像纹理与极化特征精确提取，为准确时序边缘信息提取及时序对象自适应构建提供支持。

S23、基于深度学习网络提取时序PolSAR影像的时序边缘信息。

边界信息可以消除影像中的不相关信息，保留重要结构属性信息的优势，是实现多尺度分割的关键。因此，本发明引入整体嵌套边缘检测(HED)网络，在基于改进SIVR模型获取精准PolSAR影像纹理信息的基础上，通过产生多尺度的特征图和多个损失函数来进行反向传播，提取目标边界信息。即针对时序PolSAR强度影像并在VGG-16网络的基础上，本发明在HED网络中采用交叉熵损失函数，实现对时序PolSAR影像边缘信息的提取。引入的交叉熵损失函数loss^(e)为：

其中，X_T表示输入的纹理图像τ，β′为边界经验常数，W^(e)代表所有网络层参数，w^(e)则表示相应的每层权重，e为网络的层数。而与Pr(y_j＝0|X；W^(e)，w^(e))分别表示在像素x位置处为边缘的概率值，其中当y_x＝1时表示该像素j位置处为非边缘，当y_x＝0表示该像素x位置处为边缘；γ+表示非边缘像素的个数，γ-表示边缘像素的个数。

S24、以时序边缘信息为约束，将时序归一化极化相干矩阵M重构为二叉树形式。

本发明以时序边缘信息为约束，提取时序PolSAR影像的分割块，将时序归一化极化相干矩阵M重构为二叉树形式。即通过遍历整景影像，将整体嵌套边缘检测(HED)网络提取的每个边界le范围内所有像素块作为一个叶子节点，并按照增加距离权重后的改进的Wishart距离计算像素块间的距离，通过给定的阈值δ判断相邻像素块是否归为同一节点。

改进的Wishart距离计算d_w(M)可表达为：

其中，M代表时序归一化极化相干矩阵，G代表Wishart分布的个数，|·|代表矩阵的行列式，Tr(.)表示矩阵的迹，E为矩阵M的期望，E^-1表示E矩阵的逆，g＝1,2,…,G，ω_g表示第g个改进Wishart距离的权重。

S25、构建分割块差异指数，确定多模式时序PolSAR影像的最优分割尺度。

本发明的最优分割尺度所包裹的像素遵循“分割块内像素差异最小，分割块外差异最大”准则，根据该准则构建分割块差异指数K(Q|P)，用来自适应描述多模式时序PolSAR影像分割块间像素变化差异性，获取对象最优尺度，实现二叉树图像的精剪枝，即相关节点合并。

构建的像素差异指数K(Q|P)的表达式为：

p(x)与q(x)分别代表影像内部两个分割块P和Q的Wishart距离测度；x代表像素点。

以分割块内的像素差异指数最小、同时分割块之间的像素差异指数最大为目标，确定多模式时序PolSAR影像的最优分割尺度，实现自适应尺度分割。

S25、基于最优分割尺度，对剪枝后的二叉树图像按照预定义的合并顺序和合并准则再进行区域合并，得到时序分割影像SI。

所述合并准则采用同质度测度，同质度测度函数表达式为：

其中，X_s表示在区域X内第s个像素的协方差矩阵，s＝1,2,…,n_x，n_x是区域X中的像素个数，M_X表示归一化极化相干矩阵M在区域X的平均值，F代表范数。

S3、基于加权超图映射构建时序分割影像的时序非局部差异影像，分析多模式时序PolSAR影像的潜在变化区域。

为顾及时序不变地物结构一致性，本发明结合极化、物候等时空信息，在获取的时序分割影像SI的基础上，引入加权超图映射及非局部窗口块匹配技术对时序相似性测度进行描述，构建基于超图映射的时序差异影像生成模型，并利用扩展高斯混合模型实现时序差异影像自适应分析，获取时间序列PolSAR影像的“疑似”变化类与非变化类。

步骤S3具体包括如下分步骤：

S31、在时序分割影像的基础上，构建一种加权超图映射模型。

基于时序分割影像SI的目标块T(m′，n′)构建一种加权超图映射模型G′：

G′＝{V_{T(m′，n′)}，E_T(m，n′)，W_T}

其中，V_{T(m′，n′)}代表多模式时序PolSAR影像目标块的特征、E_{T(m′，n′)}表示时序特征间关系，W_T为他们的加权矩阵。(m′，n′)为目标块中心像素坐标。

S32、将K最邻近算法融入加权超图映射模型，构建时序分割影像的结构一致性测度。

为更好表征时序对象时空拓扑关系，本发明将K最邻近算法融入加权超图映射模型，构建时序分割影像的结构一致性测度f^X _{(m′，n′)}，其表达式如下：

其中，k′＝1，2，...，K′，K′为与目标块最邻近的邻域块数量，d_w(X_{T(m′，n′})，X_{(i′，j′)} ^k′)和d_w(X_{T(m′，n′)}，X_(i，j″) ^k′)分别表示目标块X_{T(m′，n′)}与不同的K-邻域块X_{(i′，j′)} ^k′、X_{(i″，j″)} ^k′之间改进的Wishart距离。(i′，j′)、(i″，j″)分别为不同的K-邻域块X_{(i′，j′)} ^k′、X_{(i″，j″)} ^k′的中心像素。

S33、基于时序分割影像的结构一致性测度，在非局部窗口内构建时序分割影像中任意影像间的差异影像DI，得到时序非局部差异影像。

通过引入非局部窗口块匹配技术，在非局部窗口内构建时序分割影像中任意影像间的差异影像DI：

DI＝αDI^fw+βDI^bw

其中，α、β分别代表时序PolSAR影像中前、后向在非局部窗口(搜索窗)内差异影像的权重，DI^fw和DI^bw分别代表时序分割影像中任意前后向结构一致性测度：

其中，与分别表示前向结构一致性与后向结构一致性，分别表示前向、后向结构一致性绝对值的和。通过以上计算获取整个时序PolSAR影像总体差异影像及任意间隔内差异影像。

S4、基于扩展高斯混合模型的自适应动态变化检测方法，逐像素判断多模式时序PolSAR影像的潜在变化区域的像素变化结果，监测洪涝灾害影响区域。

基于时序PolSAR影像总体差异影像及任意间隔内差异影像确定潜在变化区域，确定洪涝灾害影响区域，实现洪涝灾害动态监测及预警析，为自然资源部、应急管理部等精准决策提供支持。

本发明利用不变地物在多模式时序影像上表现结构一致性，建立极化变化不敏感特征对多模式时序PolSAR影像进行粗配准，建立时序结构特征描述符对多模式时序PolSAR影像进行精配准，提高配准准确度，并构建时序非局部差异影像，分析多模式时序PolSAR影像的潜在变化区域，可解决多模式PolSAR影像间极化信息的异质性与多样性导致多模式时序影像配准鲁棒性差、洪涝灾害监测虚警率高的问题。

本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。

本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，所述方法包括：

基于多模式时序PolSAR影像的结构一致性特点，创建多模式时序PolSAR影像的极化变化不敏感特征和时序结构特征描述符；

基于极化变化不敏感特征对多模式时序PolSAR影像进行粗配准，基于时序结构特征描述符对多模式时序PolSAR影像进行精配准；

基于配准后的多模式时序PolSAR影像，采用球不变随机矢量模型及边缘信息约束自适应构建时序分割影像；

基于加权超图映射构建时序分割影像的时序非局部差异影像，分析多模式时序PolSAR影像的潜在变化区域；

逐像素判断多模式时序PolSAR影像的潜在变化区域的像素变化结果，监测涝灾害影响区域；

所述采用球不变随机矢量模型及边缘信息约束自适应构建时序分割影像具体包括：

利用SIRV模型将多模式时序PolSAR影像的极化相干矩阵T₃分解为归一化极化相干矩阵M和纹理特征矩阵τ；

基于深度学习网络提取时序PolSAR影像的时序边缘信息；

以时序边缘信息为约束，基于归一化极化相干矩阵M提取时序PolSAR影像的分割块；

构建分割块差异指数，确定多模式时序PolSAR影像的最优分割尺度；

基于最优分割尺度进行区域合并，得到时序分割影像SI。

2.根据权利要求1所述的面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，创建极化变化不敏感特征具体包括：

将预处理后的多模式时序PolSAR影像的各极化通道分别与Log-Gabor滤波器进行卷积运算；

引入相干斑噪声补偿项，创建多模态时序PolSAR影像在不同成像模式、不同尺度、不同方向下的序列相位一致性特征；

将序列相位一致性特征作为多模式时序PolSAR影像的极化变化不敏感特征。

3.根据权利要求2所述的面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，所述序列相位一致性特征的表达式为：

其中，PC(θ_o)为时序PolSAR影像的序列相位一致性特征，w₀(x,y)代表位置(x,y)处的加权因子，是相位偏差函数，A_so(x,y)及θ_so分别表示时序PolSAR影像各极化通道在模版窗口内不同尺度s和方向o下位置(x,y)处的振幅和相位信息，T_t为相干斑噪声补偿项，ξ为大于0的常数；o＝1,2,...,O，s＝1,2,...,S，O为方向总数，S为尺度总数。

4.根据权利要求3所述的面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，所述时序结构特征描述符的表达式为：

其中，THOPC表示基准影像与非基准影像在局部区域的时序结构特征描述符，t＝1,2,...,T，T为多模式时序PolSAR影像总数，k表示模板窗口的大小，k＝1,2,...,K，V_A代表多模式时序PolSAR影像中基准影像的局部区域A在不同方向的振幅A_so和相位信息θ_so组成的特征向量，V_B为非基准影像的局部区域B在不同方向的振幅A_so和相位信息θ_so组组成的特征向量，和分别代表V_A和V_B的均值。

5.根据权利要求4所述的面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，所述基于时序结构特征描述符对多模式时序PolSAR影像进行精配准具体包括：

比较基准影像与非基准影像在局部区域的时序结构特征描述符THOPC间的差异；

剔除THOPC间的差异大于预设阈值的特征点对，得到基准影像与非基准影像之间的稳健特征点，分别确定稳健特征点在基准影像p对应的模板窗口内的时序结构特征描述符D_p、在非基准影像q对应的模版窗口内的时序结构特征描述符D_q；

计算时序结构特征描述符D_p、D_q之间的差异性度量S_pq(v)；

计算差异性度量最小值时基准影像p、非基准影像q的模板窗口之间的偏移量v_pq；

联合最小二乘方法计算同名点残差，剔除残差最大的同名点，利用线性分段函数对时序影像按照偏移量v_pq进行修正，实现多模式时序PolSAR影像精确配准。

6.根据权利要求5所述的面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，所述计算时序结构特征描述符D_p、D_q之间的差异性度量S_pq(v)的公式为：

其中，x_i、x_j分别为通过方向梯度直方图获得的基准影像与非基准影像在对应的模版窗口内所提取的多个不同方向的特征向量，即x_i＝{x₁,x₂,…,x_n}，x_j＝{x_n+1,x_n+2,…,x_2n}，D_p(·)、D_q(·)分别为基准影像p、非基准影像q对应的模版窗口的中心点位为基准计算的时序结构特征描述符，n为方向总数，v为由x_i与x_j组成的集合即v＝{x₁,x₂,…,x_n，x_n+1,x_n+2,…,x_2n}，为v的算数平均值，T_pq(·)为掩膜函数。

7.根据权利要求1所述的面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，所述构建分割块差异指数，确定多模式时序PolSAR影像的最优分割尺度具体包括：

构建像素差异指数K(Q|P)：

p(x)与q(x)分别代表影像内部两个分割块P和Q的Wishart距离测度；x代表像素点；

以分割块内的像素差异指数最小、同时分割块之间的像素差异指数最大为目标，确定多模式时序PolSAR影像的最优分割尺度。

8.根据权利要求1所述的面向多模式时序PolSAR影像的洪涝灾害监测方法，其特征在于，所述进行区域合并的合并准则采用同质度测度，同质度测度函数φ_R(X)表达式为：

其中，X_s表示在区域X内第s个像素的协方差矩阵，s＝1,2,…,n_x，n_x是区域X中的像素个数，M_X表示归一化极化相干矩阵M在区域X的平均值，F代表范数。