[發明專利]基于深度堆棧網絡的極化SAR影像變化檢測方法

有效

• 申請號: 201710440095.2
• 申請日: 2017-06-12
• 公開（公告）號: CN107358162B
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 焦李成;屈嶸;張佳琪;唐旭;楊淑媛;侯彪;馬文萍;劉芳;尚榮華;張向榮;張丹;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/33
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于深度堆棧網絡的極化SAR影像變化檢測方法，其特征在于，包括以下步驟：

1)將兩幅極化SAR影像樣本在相同地物不同時相的圖像利用ENVI軟件進行配準，得配準后兩幅樣本圖像的極化散射矩陣S₁；將兩幅待檢測極化SAR影像在相同地物不同時相的圖像利用ENVI軟件進行配準，得到配準后兩幅待檢測圖像的極化散射矩陣S₂；

2)根據配準后兩幅樣本圖像的極化散射矩陣S₁生成極化協方差矩陣C；

3)對步驟2)得到的極化協方差矩陣C進行精致LEE濾波及去除斑點噪聲處理；

4)將經步驟3)處理后的極化協方差矩陣C中的每個像素值歸一化到[0，1]之間，得特征矩陣F1；

5)人工標記配準后兩幅樣本圖像的變化檢測標準圖；

6)將特征矩陣F1中的各元素替換為對應元素周圍5×5的圖像塊，然后再利用人工標記的配準后兩幅樣本圖像的變化檢測標準圖去除特征矩陣F1中不準確的圖像塊，得兩幅樣本圖像對應的基于圖像塊的特征矩陣F21；

7)將配準后兩幅待檢測圖像的極化散射矩陣S₂作為配準后兩幅樣本圖像的極化散射矩陣S₁，并重復步驟2)、3)、4)、5)及6)，得配準后兩幅待檢測圖像對應的基于圖像塊的特征矩陣F22；

8)將兩幅樣本圖像對應的基于圖像塊的特征矩陣F21拉成列向量并級聯，然后再根據兩幅樣本圖像對應的基于圖像塊的特征矩陣F21構建訓練數據集D的特征矩陣W1及測試數據集T的特征矩陣W2；

9)構建基于深度堆棧網絡的極化SAR影像變化檢測模型；

10)利用訓練數據集D的特征矩陣W1及測試數據集T的特征矩陣W2對基于深度堆棧網絡的極化SAR影像變化檢測模型進行訓練，得訓練后的基于深度堆棧網絡的極化SAR影像變化檢測模型；

11)根據訓練后的基于深度堆棧網絡的極化SAR影像變化檢測模型對步驟7)中配準后兩幅待檢測圖像對應的基于圖像塊的特征矩陣F22進行變化檢測，得待檢測極化SAR影像的變化檢測結果，完成基于深度堆棧網絡的極化SAR影像變化檢測。

2.根據權利要求1所述的基于深度堆棧網絡的極化SAR影像變化檢測方法，其特征在于，步驟9)中的深度堆棧網絡由N個依次相連接的神經網絡構成。

3.根據權利要求2所述的基于深度堆棧網絡的極化SAR影像變化檢測方法，其特征在于，所述神經網絡的數目為3個。

4.根據權利要求1所述的基于深度堆棧網絡的極化SAR影像變化檢測方法，其特征在于，步驟1)的具體操作為：配準后兩幅樣本圖像的極化散射矩陣S₁為：

其中，S_HH為水平發射且水平接收的散射分量，S_VV為垂直發射且垂直接收的散射分量，S_HV為水平發射且垂直接收的散射分量，S_VH為垂直發射且水平接收的散射分量。

5.根據權利要求4所述的基于深度堆棧網絡的極化SAR影像變化檢測方法，其特征在于，步驟2)的具體操作為：

2a)由配準后兩幅樣本圖像的極化散射矩陣S₁得極化相干矩陣T，其中，

2b)根據式(3)得極化協方差矩陣C，其中，

C＝A^TTA (4)

6.根據權利要求1所述的基于深度堆棧網絡的極化SAR影像變化檢測方法，其特征在于，步驟4)中的特征矩陣F1為：

7.根據權利要求3所述的基于深度堆棧網絡的極化SAR影像變化檢測方法，其特征在于，深度堆棧網絡包括依次相連接的第一輸入層、第一隱含層、第一輸出層、第二輸入層、第二隱含層、第二輸出層、第三輸入層、第三隱含層及第三輸出層；其中，第一輸入層的節點數為450；第一隱含層的節點數為500；第一輸出層的節點數為2；第二輸入層的節點數為452；第二隱含層的節點數為500；第二輸出層的節點數為2；第三輸入層的節點數為454；第三隱含層的節點數為500；第三輸出層的節點數為2。