[發明專利]基于最大邊緣度量學習的SAR圖像變化檢測方法

有效

• 申請號: 201810736484.4
• 申請日: 2018-07-06
• 公開（公告）號: CN108846381B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 王蓉芳;王玉樂;陳佳偉;焦李成;馮婕;劉紅英;尚榮華
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/30;G06V10/764;G06V10/774;G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 程曉霞;王品華

本發明提供了一種基于最大邊緣度量學習的SAR圖像變化檢測方法，解決了SAR圖像變化檢測中容易受到相干斑噪聲的影響以及傳統度量不能很好衡量樣本差異信息的問題。實現步驟有：輸入變化前后的遙感圖像構建全部樣本；構建包含全部邊界的訓練樣本；利用訓練樣本構建正負約束對；利用正負約束對作為輸入，建立結構化的支撐矢量機模型獲得映射矩陣，對映射矩陣進行分解；利用分解后的映射矩陣將全部樣本映射到特征空間，在特征空間中對全部樣本進行SAR圖像變化檢測分類。本發明分類精度高，尤其是在時間復雜度低的情況下仍然保持高精度的分類效果，在抑制噪聲的同時保持了很好的邊界信息。用于SAR圖像變化檢測。

技術領域

本發明屬于雷達技術遙感圖像處理技術領域，更進一步涉及遙感圖像分類識別，具體是一種基于最大邊緣度量學習的SAR圖像變化檢測方法。運用于災害評估、城市發展等方面。

背景技術

合成孔徑雷達(Synthetic Aperture Radar,SAR)的成像技術相對于其他成像方式有其獨特的優勢，能夠獲取詳細的地物信息，而且合成孔徑雷達不會受到天氣條件、時段等外界因素的干擾。同時合成孔徑雷達利用合成孔徑技術使其方位分辨率加以提高，利用脈沖壓縮技術使得距離分辨率得到提高，所以能夠獲得大面積的高分辨率遙感圖像，為SAR圖像的應用提供了廣闊的前景。

現存的SAR圖像變化檢測流程主要分為三步：1)對圖像進行預處理；2)得到差異圖；3)分析差異圖，得到變化圖像。差異圖生成的目的是初步區分2幅SAR圖像中變化類和非變化類，并且為后續的差異圖分析做準備。對于早期的變化檢測，人們采用的生成差異圖的方法主要是差值法，但是對于SAR圖像來說，由于成像機理的緣故，存在著乘性噪聲，所以差值算子生成的差異圖性能很差。后來人們從乘性噪聲的角度出發，提出了對數比(log-ratio,LR)算子和均值比算子(mean-ration,MR)。對于差異圖生成的方法包括很多種，其中包括閾值分析方法、聚類分析等方法。傳統的三步變化檢測方法，對于差異圖的要求太高，同時對于噪聲非常敏感，不能很好地獲得最終的分類結果；

距離度量是各種機器學習問題的一種強有力的技術，并已經用于各種機器學習的應用中，如變化檢測、目標分類等，但是現存的距離度量存在一定的缺陷。在距離度量中應用最廣泛的是歐幾里得距離，盡管歐幾里得距離提供了非常簡單用于比較的度量，但是該方法通常不能精確的表示潛在的數據分布，所以對于SAR圖像變化檢測的樣本，不能獲得精確的變化和非變化類的距離度量。

傳統的變化檢測方法，對于差異圖的要求太高，同時對于噪聲非常敏感，不能很好地獲得最終的分類結果；而傳統的距離度量，不能精確的表示潛在的數據分布，因此也不能獲得精確的分類結果；而現在大多數度量學習算法時間復雜度和分類精度存在矛盾，當分類精度很高時，時間復雜度很高；當時間復雜度較低時，分類精度也不是很高。

發明內容

本發明針對傳統變化檢測方法以及傳統度量方法的不足，提出了一種時間復雜度低的情況下仍然保持精度高的基于最大邊緣度量學習的SAR圖像變化檢測方法。

本發明是一種基于最大邊緣度量學習的SAR圖像變化檢測方法，其特征在于，包括有如下步驟：

(1)輸入變化前后的遙感圖像，構建全部樣本：輸入同一地區，不同時刻得到的兩幅遙感圖像，以像素的鄰域作為該像素的特征樣本，全部的像素采用相同的方法構建全部樣本X，全部樣本X實質上包括時相圖像1全部樣本X₁和時相圖像2的全部樣本X₂；