小波域極化距離變換的極化sar圖像變化檢測方法
【技術領域】
[0001] 本發明屬于極化SAR圖像處理技術領域,特別是涉及一種小波域極化距離變換的 極化SAR圖像變化檢測方法。
【背景技術】
[0002] 近年來,隨著極化合成孔徑雷達(Polari metric Synthetic Aperture Radar, PolSAR)數據獲取途徑的逐漸增多,相比單極化SAR圖像而言,全極化SAR圖像所包含的信 息量更大,從而為更加準確地揭示目標的散射機理,以及后期對目標的分解、分類和檢測提 供了更有力的數據支持,為變化檢測技術在土地利用、水域檢測和災難監測等方面提供了 更為廣泛的應用。
[0003] 變化檢測方法可以分為兩類:有監督變化檢測和無監督變化檢測。其中有監督變 化檢測方法中比較典型的方法主要包括分類比較法、支持向量機方法、模糊神經網絡方法 等。無監督變化檢測方法中比較典型的方法主要包括差值法、比值法、比值對數法、圖像回 歸法、向量索引變化法、變化向量分析法等。一般情況下,變化檢測的結果多為全場景下的 所有變化區域,即所有像素點的變化。但在SAR圖像的某些應用領域中,通常根據需要,只 針對某一類地物的變化進行檢測分析,例如對水體類區域的變化進行檢測,用于洪澇災害 的預防;對城區如房屋建筑類區域的變化進行檢測,用于城市變迀的監測或災情的檢測與 評估。在這種情況下,一些傳統的變化檢測方法已不再適用。為了實現復雜場景下對某一 類地物的變化檢測,就需要將分類信息引用到檢測中,而國內外現有的利用分類信息實現 變化檢測的經典方法主要為分類后比較法:即對每幅圖像先進行獨立分類,然后根據兩時 相圖像對應像素點的類別差異來區分是否發生了變化,如果對應像素點的類別相同,則認 為該像素點并未發生變化,否則認為該像素點發生了變化。該類方法雖然利用了分類信息, 但是仍然是針對全場景下的所有變化區域進行檢測。
【發明內容】
[0004] 為了解決上述問題,本發明的目的在于提供一種能夠較好地實現復雜場景下特定 地物類型的變化檢測,具有較強的魯棒性的小波域極化距離變換的極化SAR圖像變化檢測 方法。
[0005] 為了達到上述目的,本發明提供的小波域極化距離變換的變化檢測方法包括按順 序進行的下列步驟:
[0006] 1)對A、B兩時相極化SAR圖像進行預處理操作;
[0007] 2)提取感興趣目標地物類型部分區域內圖像的像素點作為訓練樣本;
[0008] 3)將上述預處理后的兩時相極化SAR圖像分別同訓練樣本作極化距離度量,得到 兩時相的極化距離;
[0009] 4)將上述得到的兩時相的極化距離進行比值對數變換,得到差異圖像;
[0010] 5)對上述差異圖像進行小波多尺度分解與融合;
[0011] 6)對上述融合后的差異圖像進行雙閾值分割,提取出不變區域和兩種變化區域。
[0012] 在步驟1)中,所述的對A、B兩時相極化SAR圖像進行預處理的方法為:對A、B兩 時相極化SAR圖像配準后進行相干斑抑制和去取向操作。
[0013] 在步驟2)中,所述的提取感興趣目標地物類型部分區域內圖像的像素點作為訓 練樣本的方法是:人工選取A時相中目標地物類型NXN區域內的極化相干矩陣[T]3X3樣 本塊做算術平均而得到訓練樣本Τ。。
[0014] 在步驟3)中,所述的將預處理后的兩時相極化SAR圖像分別同訓練樣本作極 化距離度量,得到兩時相的極化距離的方法是:利用極化距離測度,分別計算出預處理后 的A、B兩時相極化SAR圖像中各像素點與訓練樣本Τ。之間的極化距離A..,(7V,,,%)與 ,其中(i,j)表示圖像中的每一個像元。
[0015] 在步驟4)中,所述的將得到的兩時相的極化距離進行比值對數變換,得到差異圖 像D (A,B)所采用的公式為:
[0017] 在步驟5)中,所述的對差異圖像進行小波多尺度分解與融合的方法是:對差異圖 像D (A,B)進行2維離散小波多尺度分解,并利用變化系數(CV)來確定最佳分解尺度M,將 圖像M層的低頻信息進行融合重構,得到重構差異圖像"
[0018] 在步驟6)中,所述的對融合后的差異圖像進行雙閾值分割的方法是:利用雙閾值 判別方法對上述重構差異圖像D(兒F)進行判別,得到兩幅以"0"表示不變像素點、" 1 "表 示變化像素點的二值圖像。
[0019] 本發明提供的小波域極化距離變換的極化SAR圖像變化檢測方法與現有技術相 比具有以下優點:①能夠較好地實現復雜場景下特定地物類型的變化檢測;②能夠很好地 抑制斑點噪聲;③所定義的極化距離變換可以將變化區域分為兩類,對極化SAR圖像變化 檢測在城市變迀或災難監測與估計等應用中提供了更有利的支持。④具有良好的魯棒性。
【附圖說明】
[0020] 圖1為本發明提供的小波域極化距離變換的極化SAR圖像變化檢測方法流程圖。
[0021] 圖2(a)為2009年4月9日蘇州石湖地區的Pauli分解圖。
[0022] 圖2(b)為2010年6月15日蘇州石湖地區的Pauli分解圖。
[0023] 圖3(a)為2009年3月26日蘇州石湖地區的光學圖像。
[0024] 圖3(b)為2010年6月19日蘇州石湖地區的光學圖像。
[0025] 圖4(a)為A時相極化SAR圖像與目標類型樣本T0的極化距離。
[0026] 圖4(b)為B時相極化SAR圖像與目標類型樣本T。的極化距離。
[0027] 圖5為將兩個極化距離進行比值對數變換得到的差異圖像D。
[0028] 圖6為差異圖像經過小波多尺度分解和融合得到的重構差異圖像乃(AB) β
[0029] 圖7(a)為對差異圖像D(A,B)進行雙閾值分割后的變化區域D10
[0030] 圖7(b)為對差異圖像D (A,B)進行雙閾值分割后的變化區域D2。
[0031] 圖8(a)為對差異圖像進行雙閾值分割后的變化區域S1:。
[0032] 圖8(b)為對差異圖像萬UJ?)進行雙閾值分割后的變化區域鳥。
【具體實施方式】
[0033] 下面參照附圖和具體實施例對本發明提供的小波域極化距離變換的極化SAR圖 像變化檢測方法進行詳細說明。
[0034] 如圖1所示,本發明提供的小波域極化距離變換的極化SAR圖像變化檢測方法包 括按順序進行的下列步驟:
[0035] 1)對A、B兩時相極化SAR圖像進行預處理操作;
[0036] 由于極化SAR圖像的固有相干斑噪聲會對變化檢測結果造成影響,故需要對A、B 兩時相極化SAR圖像配準后進行相干斑抑制和去取向操作。
[0037] 2)提取感興趣目標地物類型部分區域內圖像的像素點作為訓練樣本;
[0038] 利用2009年4月9日和2010年6月15日,Radarsat-2在蘇州區域獲取的雷達圖 像進行試驗。如圖2、圖3所示。人工選取A時相中目標地物類型的極化相干矩陣[T]3X3作 為訓練樣本Τ。,本發明為了降低個別樣本點對實驗結果的影響,故選擇目標地物類型NXN 區域內的極化相干矩陣[Τ]3Χ3樣本塊做算術平均,BP
[0039] 3)將上述預處理后的兩時相極化SAR圖像分別同訓練樣本作極化距離度量,得到 兩時相的極化距離;
[0040] 分別利用下面的式(2)計算出上述預處理后的Α、Β兩時相極化SAR圖像中各像素 點與訓練樣本Τ。之間的極化距離:
[0042] 其中,& ,為預處理后的A時相或者B時相圖像中第(i,j)個像素點的極化相干 矩陣,T。為訓練樣本,全極化數據中,q的值為3。
[0043] 4)將上述得到的兩時相的極化距離進行比值對數變換,得到差異圖像;
[0044] 將A時相的極化距離A../(八,忍)與B時相的極化距離進行相比運 算,然后兩邊取對數,得到差異圖像,即:
[0046] 當D1, j (A,B) = 0時,理論上分為以下幾種情況:
[0048] 其中Φ ( ·)表示極化SAR圖像中對應像素點所屬的地物類別。上述三種情況均 表示A、B兩時相極化SAR圖像對應像素點未發生變化。為了避免Dli ,(A,B)出現奇異值的 情況,當從,^4,>·^、A./及,·〇為零時,以該像素點為中心,將自適應大小窗口內的像素 點均值作為