[發(fā)明專利]基于輪廓波集成DBN的極化SAR圖像變化檢測方法

有效

• 申請?zhí)枺?/td>: 201711102171.5
• 申請日: 2017-11-10
• 公開（公告）號(hào): CN107945195B
• 公開（公告）日: 2019-10-25
• 發(fā)明（設(shè)計(jì)）人: 焦李成;屈嶸;李玉景;陳璞花;楊淑媛;侯彪;馬文萍;劉芳;唐旭;古晶;張丹;馬晶晶
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06T7/13
• 分類號(hào): G06T7/13;G06T7/00;G06T5/00
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

1.一種基于輪廓波集成深度置信網(wǎng)絡(luò)DBN的極化合成孔徑雷達(dá)SAR圖像變化檢測方法，其特征在于，包括如下步驟：

(1)輸入同一地區(qū)不同時(shí)相的兩幅極化合成孔徑雷達(dá)SAR圖像的兩個(gè)極化相干矩陣；

(2)濾除相干噪聲：

采用精致極化Lee濾波方法，對兩個(gè)極化相干矩陣分別進(jìn)行濾除相干噪聲操作，得到兩個(gè)濾波后的極化相干矩陣，其中，極化相干矩陣中每個(gè)元素是一個(gè)3×3像素的矩陣，每個(gè)像素點(diǎn)有9維個(gè)特征；

(3)歸一化處理濾波后的極化相干矩陣：

將兩個(gè)濾波后的極化相干矩陣中的元素值均歸一化到[0,1]之間，得到兩個(gè)M₁×M₂×9個(gè)像素的三維特征矩陣F₁和F₂，三維特征矩陣中每個(gè)元素是由一個(gè)3×3個(gè)像素組成，其中，M₁表示輸入的極化合成孔徑雷達(dá)SAR圖像的長，M₂表示輸入的極化合成孔徑雷達(dá)SAR圖像的寬；

(4)提取三維特征矩陣F₁和F₂中每個(gè)元素的對角線元素：

從三維特征矩陣F₁和F₂的每個(gè)3×3個(gè)像素矩陣中提取對角線元素，組成兩個(gè)M₁×M₂×3個(gè)像素的三維特征矩陣E₁和E₂；

(5)對三維特征矩陣E₁和E₂進(jìn)行非下采樣輪廓波變換：

利用非下采樣輪廓波變換方法，對三維特征矩陣E₁和E₂分別進(jìn)行非下采樣輪廓波分解，得到兩個(gè)M₁×M₂×33個(gè)像素的高頻特征矩陣A₁和A₂以及兩個(gè)M₁×M₂×3個(gè)像素的低頻特征矩陣B₁和B₂；

(6)對特征矩陣進(jìn)行尺度級(jí)聯(lián)融合：

利用尺度級(jí)聯(lián)融合方法，分別對高頻特征矩陣A₁和A₂、低頻特征矩陣B₁和B₂進(jìn)行矩陣融合，得到M₁×M₂×4個(gè)像素的三維特征矩陣F；

(7)構(gòu)造樣本集：

(7a)以5×5像素的窗口對三維特征矩陣F滑動(dòng)取塊，得到M₁×M₂個(gè)樣本塊，每個(gè)樣本塊是由一個(gè)5×5×4個(gè)像素組成的三維特征矩陣，將M₁×M₂個(gè)樣本塊組成特征矩陣集P；

(7b)利用自助采樣法，將特征矩陣集P進(jìn)行多次自助采樣操作，得到多個(gè)訓(xùn)練樣本集和測試樣本集，自助采樣操作次數(shù)選取的范圍為[20,50]；

(8)構(gòu)造輪廓波集成深度置信網(wǎng)絡(luò)DBN變化檢測模型：

(8a)構(gòu)造與自助采樣次數(shù)相同個(gè)數(shù)的4層深度置信網(wǎng)絡(luò)模型；

(8b)將每個(gè)深度置信網(wǎng)絡(luò)模型與一個(gè)多數(shù)表決器相連，得到集成深度置信網(wǎng)絡(luò)DBN變化檢測模型；

(9)訓(xùn)練輪廓波集成深度置信網(wǎng)絡(luò)DBN變化檢測模型：

將每個(gè)訓(xùn)練樣本集輸入到輪廓波集成深度置信網(wǎng)絡(luò)DBN變化檢測模型中，對輪廓波集成深度置信網(wǎng)絡(luò)DBN變化檢測模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的輪廓波集成深度置信網(wǎng)絡(luò)DBN變化檢測模型；

(10)輸出輪廓波集成深度置信網(wǎng)絡(luò)DBN變化檢測結(jié)果：

將每個(gè)測試樣本集輸入到訓(xùn)練好的輪廓波集成深度置信網(wǎng)絡(luò)DBN變化檢測模型中，輸出得到的測試樣本集中每個(gè)像素的變化檢測結(jié)果。