[發(fā)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?zhí)枺?/td>: 201810736484.4
• 申請日: 2018-07-06
• 公開（公告）號: CN108846381B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)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(quán)）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(yè)專利中心 61205
• 代理人: 程曉霞;王品華

本發(fā)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(tǒng)度量不能很好衡量樣本差異信息的問題。實現(xiàn)步驟有：輸入變化前后的遙感圖像構(gòu)建全部樣本；構(gòu)建包含全部邊界的訓練樣本；利用訓練樣本構(gòu)建正負約束對；利用正負約束對作為輸入，建立結(jié)構(gòu)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(fā)明分類精度高，尤其是在時間復(fù)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(shù)領(lǐng)域

本發(fā)明屬于雷達技術(shù)遙感圖像處理技術(shù)領(lǐng)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(zāi)害評估、城市發(fā)展等方面。

背景技術(shù)

合成孔徑雷達(Synthetic Aperture Radar,SAR)的成像技術(shù)相對于其他成像方式有其獨特的優(yōu)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(shù)使其方位分辨率加以提高，利用脈沖壓縮技術(shù)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(yīng)用提供了廣闊的前景。

現(xiàn)存的SAR圖像變化檢測流程主要分為三步：1)對圖像進行預(yù)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(qū)分2幅SAR圖像中變化類和非變化類，并且為后續(xù)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(fā)，提出了對數(shù)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(tǒng)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(jié)果；

距離度量是各種機器學習問題的一種強有力的技術(shù)，并已經(jīng)用于各種機器學習的應(yīng)用中，如變化檢測、目標分類等，但是現(xiàn)存的距離度量存在一定的缺陷。在距離度量中應(yīng)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(shù)據(jù)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(tǒng)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(jié)果；而傳統(tǒng)的距離度量，不能精確的表示潛在的數(shù)據(jù)分布，因此也不能獲得精確的分類結(jié)果；而現(xiàn)在大多數(shù)度量學習算法時間復(fù)雜度和分類精度存在矛盾，當分類精度很高時，時間復(fù)雜度很高；當時間復(fù)雜度較低時，分類精度也不是很高。

發(fā)明內(nèi)容

本發(fā)明針對傳統(tǒng)變化檢測方法以及傳統(tǒng)度量方法的不足，提出了一種時間復(fù)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(fā)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(gòu)建全部樣本：輸入同一地區(qū)，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(gòu)建全部樣本X，全部樣本X實質(zhì)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；