基于轮廓波集成DBN的极化SAR图像变化检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107945195A(43)申请公布日2018.04.20(21)申请号201711102171.5(22)申请日2017.11.10(71)申请人西安电子科技大学地址710071陕西省西安市雁塔区太白南路2号(72)发明人焦李成屈嵘李玉景陈璞花杨淑媛侯彪马文萍刘芳唐旭古晶张丹马晶晶(74)专利代理机构陕西电子工业专利中心61205代理人田文英王品华(51)Int.Cl.G06T7/13(2017.01)G06T7/00(2017.01)G06T5/00(2006.01)权利要求书2页说明书7页附图3页(54)发明名称基于轮廓波集成DBN的极化SAR图像变化检测方法(57)摘要一种基于轮廓波集成DBN的极化SAR图像变化检测方法，主要解决现有方法中极化SAR图像变化检测精度不高的问题。本发明的具体步骤如下：(1)输入同一地区不同时相的两幅极化SAR图像的两个极化相干矩阵；(2)滤除相干噪声；(3)归一化处理滤波后的极化相干矩阵；(4)提取特征矩阵F1和F2中每个元素的对角线元素；(5)对特征矩阵E1和E2进行非下采样轮廓波变换；(6)对特征矩阵进行尺度级联融合；(7)构造样本集；(8)构造轮廓波集成深度置信网络DBN变化检测模型；(9)训练轮廓波集成深度置信网络DBN变化检测模型；(10)输出变化检测结果。本发明具有对极化SAR图像变化检测结果轮廓清晰且精度高的优点。CN107945195ACN107945195A权利要求书1/2页1.一种基于轮廓波集成深度置信网络DBN的极化合成孔径雷达SAR图像变化检测方法，其特征在于，包括如下步骤：(1)输入同一地区不同时相的两幅极化合成孔径雷达SAR图像的两个极化相干矩阵；(2)滤除相干噪声：采用精致极化Lee滤波方法，对两个极化相干矩阵分别进行滤除相干噪声操作，得到两个滤波后的极化相干矩阵，其中，极化相干矩阵中每个元素是一个3×3像素的矩阵，每个像素点有9维个特征；(3)归一化处理滤波后的极化相干矩阵：将两个滤波后的极化相干矩阵中的元素值均归一化到[0,1]之间，得到两个M1×M2×9个像素的三维特征矩阵F1和F2，三维特征矩阵中每个元素是由一个3×3个像素组成，其中，M1表示输入的极化合成孔径雷达SAR图像的长，M2表示输入的极化合成孔径雷达SAR图像的宽；(4)提取三维特征矩阵F1和F2中每个元素的对角线元素：从三维特征矩阵F1和F2的每个3×3个像素矩阵中提取对角线元素，组成两个M1×M2×3个像素的三维特征矩阵E1和E2；(5)对三维特征矩阵E1和E2进行非下采样轮廓波变换：利用非下采样轮廓波变换方法，对三维特征矩阵E1和E2分别进行非下采样轮廓波分解，得到两个M1×M2×33个像素的高频特征矩阵A1和A2以及两个M1×M2×3个像素的低频特征矩阵B1和B2；(6)对特征矩阵进行尺度级联融合：利用尺度级联融合方法，分别对高频特征矩阵A1和A2、低频特征矩阵B1和B2进行矩阵融合，得到M1×M2×4个像素的三维特征矩阵F；(7)构造样本集：(7a)以5×5像素的窗口对三维特征矩阵F滑动取块，得到M1×M2个样本块，每个样本块是由一个5×5×4个像素组成的三维特征矩阵，将M1×M2个样本块组成特征矩阵集P；(7b)利用自助采样法，将特征矩阵集P进行多次自助采样操作，得到多个训练样本集和测试样本集，自助采样操作次数选取的范围为[20,50]；(8)构造轮廓波集成深度置信网络DBN变化检测模型：(8a)构造与自助采样次数相同个数的4层深度置信网络模型；(8b)将每个深度置信网络模型与一个多数表决器相连，得到集成深度置信网络DBN变化检测模型；(9)训练轮廓波集成深度置信网络DBN变化检测模型：将每个训练样本集输入到轮廓波集成深度置信网络DBN变化检测模型中，对轮廓波集成深度置信网络DBN变化检测模型进行训练，得到训练好的轮廓波集成深度置信网络DBN变化检测模型；(10)输出轮廓波集成深度置信网络DBN变化检测结果：将每个测试样本集输入到训练好的轮廓波集成深度置信网络DBN变化检测模型中，输出得到的测试样本集中每个像素的变化检测结果。2.根据权利要求1所述的基于轮廓波集成深度置信网络DBN的极化合成孔径雷达SAR图2CN107945195A权利要求书2/2页像变化检测方法，其特征在于：步骤(5)中所述非下采样轮廓波变换方法的具体步骤如下：第一步，利用拉普拉斯金字塔分解滤波器，对三维特征矩阵E1进行多尺度分解，得到高频子带的奇异点以及M1×M2×3个像素的低频特征矩阵B1；第二步，利用方向滤波器，将高频子带中相同尺度下的奇异点连接成线段，得到M1×M2×33个像素的高频特征矩阵A1；第三步，利用与第一步和第二步