CN111368914B - 基于全概率协同分割的极化合成孔径雷达变化检测方法 - Google Patents
基于全概率协同分割的极化合成孔径雷达变化检测方法 Download PDFInfo
- Publication number
- CN111368914B CN111368914B CN202010143794.2A CN202010143794A CN111368914B CN 111368914 B CN111368914 B CN 111368914B CN 202010143794 A CN202010143794 A CN 202010143794A CN 111368914 B CN111368914 B CN 111368914B
- Authority
- CN
- China
- Prior art keywords
- pixel
- probability
- class
- image
- change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 230000010287 polarization Effects 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000001427 coherent effect Effects 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005571 horizontal transmission Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全概率协同分割的极化合成孔径雷达变化检测方法，主要解决现有技术对噪声不鲁棒，依赖人工标注数据及无法给出发生变化具体类别的问题。其实现步骤为：输入极化相干矩阵T，从中提取极化特征；使用极化特征进行谱聚类和判别聚类，得到初始的分割结果；对初始的分割结果进行全概率协同分割，得到两幅图像的协同分割结果和变化检测结果；从变化检测结果中筛选出所有发生变化的像素，从协同分割结果中提取所有发生变化像素在变化前后的类别，确定出该像素发生变化的具体类别。本发明提高了对噪声的鲁棒性，无需人工标注，使应用更加广泛，且可给出像素发生变化的具体类别，可用于两时相雷达图像的地物分类、变化检测和变化识别。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及一种极化合成孔径雷达PolSAR变化检测方法，可适用于目标区域两时相雷达图像的地物分类、变化检测和变化识别。
背景技术
航天和航空遥感技术在最近二十年中取得了飞速的发展。遥感数据获取技术趋向三多即多传感器、多平台、多角度和三高即高空间分辨率、高光谱分辨率、高时相分辨率,从而可以每天发回以TB为单位的影像数据,利用这些影像数据，人们有可能实时、自动地回答何时、何地、何目标发生了什么样的变化问题。变化检测技术已被应用于环境监测、城市研究、森林监测、农业调查、灾害和打击效果评估、地理国情监测等领域。
极化合成孔径雷达PolSAR是一种主动遥感技术,具有全方位,高分辨率,大面积覆盖的优点,它可以穿透覆盖物识别伪装,从而准确获取地面变化信息。
目前针对极化合成孔径雷达图像变化检测的研究方法中，主要是基于对差异图进行的，首先通过某种方法得到差异图，然后对差异图进行特征提取，进一步分析得到最终的变化检测结果。例如：
北京航空航天大学在其申请的专利“一种图像变化检测方法”(专利申请号：CN201610245590.3，公开号：CN105957054B)中提出了一种基于差异图的变化检测方法。该方法的实现方案是：通过对遥感图像的对数比值差异图进行双边滤波得到初始差异图；通过对初始差异图进行频率调谐显著性区域检测得到显著图；通过对显著图进行局部熵计算得到加熵显著图；根据小波变换法融合初始差异图和加熵显著图得到融合图；通过最大类间方差法对融合图进行分割得到最终的变化检测结果图。该方法虽然可以提高变化的精度，但是由于依赖差异图，其差异图的好坏直接影响最终的变化检测精度，且无法给出具体发生了何种变化。
武汉大学在其申请的专利“一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法”(专利申请号：CN201910583151.7，公开号：CN110414566A)中提出了一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法。该方法利用Omnibus假设检验似然比算法充分挖掘历史累计的时间序列PolSAR影像的时间维度信息,并结合已标注的类别标签、分类专题图等丰富的先验知识，利用主动学习、关联知识迁移学习等机器学习算法实现每一影像的类别标签自动标注,获取可靠训练样本,进而实现土地覆盖类别动态变化信息高精度提取。但是该方法是有监督的方法，需要人工标注一些样本，不能广泛应用。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于全概率协同分割的极化合成孔径雷达变化检测方法，以提高对噪声的鲁棒性，扩展应用的广泛性，并给出像素发生变化的具体类别，从而提供更加丰富的变化检测信息，更加准确地掌握国土资源的使用情况。
提供的变化检测结果更加丰富。
为实现上述目的，本发明目的技术方案包括如下步骤：
(1)输入极化相干矩阵T，并从中提取极化特征；
(2)使用极化特征进行谱聚类和判别聚类，得到初始的分割结果；
(3)对初始分割结果使用全概率协同分割，得到两幅图像的协同分割结果和变化检测结果：
(3a)初始化迭代轮数控制变量j＝1，第j轮的变化概率Pj(C)＝0,设置最大迭代轮数Jmax,设置更新像素类别总数阈值Umax；
(3b)求出第一幅图中每个像素点所属类别的先验概率P(w)、似然概率P(s|w),并根据P(w)和P(s|w)求出该像素点所属类别的后验概率P(L)；
(3c)求出第二幅图中每个像素点所属类别的先验概率P(w′)、似然概率P(s′|w′)，并根据P(w′)和P(s′|w′).求出该像素点所属类别的后验概率P(L′)；
(3d)根据两幅图像素点所属类别的后验概率P(L)、P(L′)，求出该位置像素点的变化概率P(C)；
(3e)令j＝j+1，更新第j轮像素点变化的概率Pj(C)＝0.9Pj-1(C)+0.1P(C)，更新每个像素的类别为该像素点后验概率最大的类别，记录被更新的像素数量为U；
(3f)分别将j与最大迭代轮数Jmax和被更新类别像素数量U与阈值Umax进行比较：
若j大于最大迭代轮数Jmax或被更新类别像素的数量U小于阈值Umax，则执行(3g)，否则，返回到(3b)；
(3g)根据最后一轮迭代中像素类别发生变化的概率P(C)，给出变化检测的结果；分别根据最后一轮迭代中两幅图像素类别的后验概率P(L)、p(L′)，给出两幅图的协同分割结果；
(4)根据变化检测结果和协同分割结果，确定发生变化的具体类别。
本发明与现有技术相比，具有以下优点：
第一，本发明使用全概率协同分割方式得到变化信息，不需要对极化合成孔径雷达数据进行去噪获取差异图，提高了变化检测算法的鲁棒性。
第二，本发明采用聚类算法得到初始的分割结果，使用全概率协同分割得到变化检测结果，不需要进行人工标注变化信息，属于一种无监督学习方法，应用更加广泛。
第三，本发明通过变化检测结果给出发生变化的像素，通过协同分割结果给出像素所属类别，可进一步给出像素发生变化的具体类别，使得国土资源的使用情况能更加具体地被掌握。
附图说明
图1是本发明的实现流程示意图；
图2是本发明仿真使用的一对极化合成孔径雷达图像的PauliRGB合成图；
图3是对图2进行标记的真实地物参考图和变化检测参考图；
图4是用现有的多类别协同分割方法对图2的协同分割结果图和变化检测结果图；
图5是用本发明对图2的协同分割结果图和变化检测结果图；
图6是像素点变化具体类别的真实标记参考图；
图7是现有的多类别协同分割方法得出的变化具体类别结果图；
图8是本发明方法得出的变化具体类别结果图。
具体实施方式
以下结合附图，对本发明的实施例和效果作进一步详细描述。
参照图1，本实例的实施步骤如下：
步骤1，输入极化相干矩阵T，并从中提取极化特征。
1.1)将原始的极化合成孔径雷达数据输入polSARpro_v4.0软件获取极化相干矩阵T；
1.2)对极化相干矩阵T进行相似对角化处理，得到处理后的极化相干矩阵[T]：
其中，H表示共轭转置；λ1、λ2、λ3表示极化相干矩阵T的三个不同的特征值；e1表示第一特征值λ1对应的特征向量；e2表示第二特征值λ2对应的特征向量；e3表示第三特征值λ3对应的特征向量，每一个特征值对应的特征向量如下：
其中，αi表示目标的第i个散射角，其取值范围为[0,90°]；βi表示目标的第i个方位角，其取值范围为[-180°,180°]；
表示目标的水平发射水平接收HH通道与VV通道相位角之和；δ表示目标的2倍水平发射水平接收VV通道相位角；γ表示目标的
与水平发射垂直接收HV通道相位角之差；
1.3)根据三个不同的特征值λ1、λ2、λ3，得到如下极化特征：
散射角：α＝p1α1+p2α2+p3α3，
散射熵：H＝p1log3(p1)+p2log3(p2)+p3log3(p3)，
各向异性系数：
式中α1是目标的第1个散射角，α2是目标的第2个散射角，α3是目标的第3个散射角；
是第一特征值和三个特征值和的比值，
是第二特征值和三个特征值和的比值，
是第三特征值和三个特征值和的比值。
步骤2，使用极化特征进行谱聚类和判别聚类，得到初始的分割结果。
2.1)构造谱聚类能量函数：
使用相似性度量矩阵Wi表示一副图像i中局部像素之间的相似性，Wi的第n行m列
代表图像i中第m个像素和第n个像素之间的相似性，计算方式如下:
其中，pn为第n个像素的空间坐标，rn为第n个像素的极化特征,pm为第m个像素的空间坐标，rm为第m个像素的极化特征,u2为u的二范数,λp和λc为两个数值不同的可调参数；
根据相似性度量矩阵Wi计算拉普拉斯矩阵L，其计算公式如下：
L＝IN-D-1/2WD-1/2
其中，W为一个N*N的块对角矩阵，通过将相似性度量矩阵Wi放在其对角线上得到；IN是N*N的单位矩阵；D为对角矩阵，通过将相似性度量矩阵Wi每行的和放到D的对角线上得到；
根据拉普拉斯矩阵构造如下谱聚类能量函数EB(Y):
其中，μ为正则参数，N为两幅图像素总数，I代表这两幅图，Ni为第i幅图像素总数，K为像素类别总数，Lnm为拉普拉斯矩阵L的第n行m列，Ynk为分割类别矩阵Y的第n行第k列，Ymk为分割类别矩阵Y的第m行第k列，其中分割类别矩阵Y为一个N*K的矩阵，若第n个像素属于第k类，则Ynk＝1，否则Ynk＝0。
2.2)构造判别聚类能量函数：
其中，A,b为两个数值不同的需要优化的系数,N为两幅图像素总数，l为平方损失函数,Y为分割类别矩阵,AF为A的F范数,rn为像素的极化特征，K为像素类别总数，λ为正则参数；
2.3)使用EM算法求解如下的优化问题：
得到分割类别矩阵Y即为初始的分割结果。
步骤3，对初始的分割结果进行全概率协同分割，得到两幅图像的协同分割结果和变化检测结果。具体如下：
3.1)初始化迭代轮数控制变量j＝1，第j轮的变化概率Pj(C)＝0,设置最大迭代轮数Jmax,设置像素类别更新总数阈值Umax；
3.2)求出第一幅图中每个像素点所属类别的先验概率P(w)、似然概率P(s|w),并根据P(w)和P(s|w)求出该像素点所属类别的后验概率P(L)，其计算公式如下：
P(w)＝P(C)P(w|C)+P(C)P(w|C)P(C)
其中P(C)为像素点未发生变化的概率，P(w|C)为在发生变化的条件下，第一幅图像素点的类别概率，P(w|C)为在未发生变化的条件下，第一幅图像素点的类别概率；x为第一幅图像素的极化特征(H,A,α)组成的向量，
为第一幅图中第i类像素的均值向量，
为第一幅图中第i类像素极化特征的协方差矩阵，K为像素类别总数；
3.3)求出第二幅图中每个像素点所属类别的先验概率P(w′)、似然概率P(s′|w′)，并根据P(w′)和P(s′|w′)求出该像素点所属类别的后验概率P(L′)，其计算公式如下：
P(w)＝P(C)P(w′|C)+P(C)P(w′|C)P(C)
其中P(C)为像素点未发生变化的概率，P(w′|C)为在发生变化的条件下，第二幅图像素点的类别概率，P(w′|C)为在未发生变化的条件下，第二幅图像素点的类别概率；x′为第二幅图像素的极化特征(H′,A′,α′)组成的向量，
为第二幅图中第i类像素的均值向量，
为第二幅图中第i类像素极化特征的协方差矩阵，K为像素类别总数；
3.4)根据两幅图像素点所属类别的后验概率P(L)、P(L′)，求出该位置像素点的变化概率P(C)：
其中，K为像素类别总数，P(L)为第一幅图的后验概率，P(L′)为第二幅图的后验概率；
3.5)令j＝j+1，更新第j轮像素点变化的概率Pj(C)＝0.9Pj-1(C)+0.1P(C)，更新每个像素的类别为该像素点后验概率最大的类别，记录被更新的像素数量为U；
3.6)分别将j与最大迭代轮数Jmax和被更新类别像素数量U与阈值Umax进行比较：
若j大于最大迭代轮数Jmax或被更新类别像素的数量U小于阈值Umax，则执行
3.7)；否则，返回到3.2)；
3.7)根据像素类别发生变化的概率P(C)，给出变化检测的结果，即对于两幅图的每对像素，将变化概率P(C)大于0.5的这对像素归为发生变化的类别，将变化概率小于等于0.5的这对像素归为未发生变化的类别，得到变化检测结果；
3.8)分别根据两幅图像素类别的后验概率P(L)、P(L′)，给出两幅图的协同分割结果，即将第一幅图每个像素的类别归为后验概率P(L)最大的类别，得到第一幅图的协同分割结果R1，若第m行第n的像素属于第j类，则
将第二幅图每个像素的类别归为后验概率P(L′)最大的类别，得到第二幅图的协同分割结果R2，若第m行第n的像素属于第j类，则
步骤4，根据变化检测结果和协同分割结果，确定发生变化的具体类别。
从变化检测结果中筛选出所有发生变化像素的行列坐标位置组成集合C；
对于集合C中的每对行列坐标(m,n)，从协同分割结果中提取该位置像素变化前的类别
和变化后的类别
进而确定出该像素发生变化的具体类别为从
类变成了
类。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件
仿真在windows10旗舰版上进行，CPU基本频率为2.5GHZ，利用polSARpro_v4.0软件获取极化相干矩阵T和Pauli分解得到如图2所示的PauliRGB合成图，其大小为300×260，其中a为2006年拍摄的图像，b为2009年拍摄的图像。
将图2所示的东京某地区的两时相极化合成孔径雷达图像作为测试图像。
2.仿真内容
仿真1，用现有的多类别协同分割方法对图2进行协同分割和变化检测，结果如图4，
其中：图4a为对图2a的协同分割结果；
图4b为对图2b的协同分割结果；
图4c为对图2a和图2b的变化检测结果。
仿真2，用现有的多类别协同分割方法对图2进行变化具体类别判断，结果如图7所示。
仿真3，用本发明对图2进行协同分割和变化检测，结果如图5，
其中：
图5a为对图2a的协同分割结果；
图5b为对图2b的协同分割结果；
图5c为对图2a和图2b的变化检测结果。
仿真4，用本发明对图2进行变化具体类别判断，结果如图8所示。
3.仿真效果分析
将图4和图5分别与图3进行比较，其中图3a为图2a的分割真实标记参考图，图3b为图2b的分割真实标记参考图，图3c为图2的变化检测真实标记参考图。
3A)视图直观比较结果
分别将图4a、图5a与图3a进行比较，将图4b、图5b与图3b进行比较，可见本发明能够对两时相的极化合成孔径雷达实现更高精度的协同分割；
将图4c、图5c分别与图3c进行比较，可见本发明能够对两时相的极化合成孔径雷达实现更高精度的变化检测；
分别将图7、图8与图6进行比较，可见本发明给出发生变化具体类别更加精确。
3B)指标比较结果：
分别将两个仿真实验的变化检测结果图4c和图5c与图3c变化检测标准参考图进行比较，可以计算出两个仿真实验的变化检测指标：虚警率、漏检率和Kappa；
分别将图4a、图5a与图3a进行比较，将图4b、图5b与图3b进行比较，计算出两个仿真实验对图2a的分割准确率和对图2b的分割准确率；
分别将两个仿真实验的变化具体类别结果图7和图8与图6进行比较，计算出两个仿真实验变化具体类别准确率；
上述这些计算指标如表1
表1本发明与现有方法进行变化检测的各项指标对比
从表1可见，本发明的对图2的变化检测结果虚警率和漏检率更低，Kappa更高，且相比现有方法，其分割准确率和对类别变化判断的准确率更高。
Claims (9)
1.基于全概率协同分割的极化合成孔径雷达变化检测方法，其特征在于：
(1)输入极化相干矩阵T，并从中提取极化特征；
(2)使用极化特征进行谱聚类和判别聚类，得到初始的分割结果；
(3)对初始的分割结果使用全概率协同分割，得到两幅图像的协同分割结果和变化检测结果：
(3a)初始化迭代轮数控制变量j＝1，第j轮的变化概率Pj(C)＝0,设置最大迭代轮数Jmax,设置像素类别更新总数阈值Umax；
(3b)求出第一幅图中每个像素点所属类别的先验概率P(w)、似然概率P(s|w),并根据P(w)和P(s|w)求出该像素点所属类别的后验概率P(L)；
(3c)求出第二幅图中每个像素点所属类别的先验概率P(w′)、似然概率P(s′|w′)，并根据P(w′)和P(s′|w′)求出该像素点所属类别的后验概率P(L′)；
(3d)根据两幅图像素点所属类别的后验概率P(L)、P(L′)，求出该位置像素点的变化概率P(C)；
(3e)令j＝j+1，更新第j轮像素点变化的概率Pj(C)＝0.9Pj-1(C)+0.1P(C)，更新每个像素的类别为该像素点后验概率最大的类别，记录被更新的像素数量为U；
(3f)分别将j与最大迭代轮数Jmax和被更新类别像素数量U与阈值Umax进行比较：若j大于最大迭代轮数Jmax或被更新类别像素的数量U少于阈值Umax，则执行(3g)，否则，返回到(3b)；
(3g)根据像素类别发生变化的概率P(C)，给出变化检测的结果；
分别根据两幅图像素类别的后验概率P(L)、p(L′)，给出两幅图的协同分割结果；
(4)根据变化检测结果和协同分割结果，确定发生变化的具体类别。
2.根据权利要求1所述的方法，其中，所述步骤(1)实现如下：
(2a)按如下公式对极化相干矩阵T进行相似对角化处理：
其中，H表示共轭转置；λ1、λ2、λ3表示滤波后的极化相干矩阵T的三个不同的特征值；e1表示第一特征值λ1对应的特征向量；e2表示第二特征值λ2对应的特征向量；e3表示第三特征值λ3对应的特征向量，每一个特征值对应的特征向量如下：
(2b)根据三个不同的特征值λ1、λ2、λ3，得到如下极化特征：
散射角：α＝p1α1+p2α2+p3α3
散射熵：H＝p1log3(p1)+p2log3(p2)+p3log3(p3)
各向异性系数：
式中α1是目标的第1个散射角，α2是目标的第2个散射角，α3是目标的第3个散射角；
是第一特征值和三个特征值和的比值，
是第二特征值和三个特征值和的比值，
是第三特征值和三个特征值和的比值。
3.根据权利要求1所述的方法，其中步骤(2)对极化特征进行谱聚类和判别聚类，是使用极化特征构造包含谱聚类项和判别聚类项的能量函数，使用EM算法优化该能量函数得到初始的分割结果。
4.根据权利要求1所述的方法，其中步骤(3b)中计算第一幅图像素先验概率P(w)、似然概率P(s|w)和后验概率P(L)，其计算公式如下：
P(w)＝P(C)P(w|C)+P(C)P(w|C)P(C)
其中P(C)为像素点未发生变化的概率，P(w|C)为在发生变化的条件下，第一幅图像素点的类别概率，P(w|C)为在未发生变化的条件下，第一幅图像素点的类别概率；x为第一幅图像素的极化特征，
为第一幅图中第i类像素的均值向量，
为第一幅图中第i类像素极化特征的协方差矩阵，K为像素类别总数。
5.根据权利要求1所述的方法，其中步骤(3c)中计算第二幅图像素类别的先验概率P(w′)似然概率P(s′|w′)和后验概率P(L′)，其计算公式如下：
P(w′)＝P(C)P(w′|C)+P(C)P(w′|C)P(C)
其中P(C)为像素点未发生变化的概率，P(w′|C)为在发生变化的条件下，第二幅图像素点的类别概率，P(w′|C)为在未发生变化的条件下，第二幅图像素点的类别概率；x′为第二幅图像素的极化特征，
为第二幅图中第i类像素的均值向量，
为第二幅图中第i类像素极化特征的协方差矩阵，K为像素类别总数。
6.根据权利要求1所述的方法，其中步骤(3d)中计算像素点发生变化的概率P(C)，按如下公式计算：
其中，K为像素类别总数，P(L)为第一幅图的后验概率，P(L′)为第二幅图的后验概率。
7.根据权利要求1所述的方法，其中(3g)中根据最后一轮迭代中像素类别发生变化的概率P(C)，是对于两幅图的每对像素，将变化概率P(C)大于0.5的这对像素归为发生变化的类别，将变化概率小于等于0.5的这对像素归为未发生变化的类别，得到变化检测结果。
8.根据权利要求1所述的方法，其中(3g)中分别根据最后一轮迭代中两幅图像素类别的后验概率P(L)、p(L′)给出两幅图的协同分割结果，是将第一幅图每个像素的类别归为后验概率P(L)最大的类别，得到第一幅图的协同分割结果R1，若第m行第n的像素属于第j类，则
将第二幅图每个像素的类别归为后验概率P(L′)最大的类别，得到第二幅图的协同分割结果R2，若第m行第n的像素属于第j类，则
9.根据权利要求1所述的方法，其中4中根据变化检测结果和协同分割结果，确定发生变化的具体类别，是从变化检测结果中筛选出所有发生变化像素的行列坐标位置组成集合C；对于集合C中的每对行列坐标(m,n)，从协同分割结果中提取该位置像素变化前的类别
和变化后的类别
进而确定出该像素发生变化的具体类别为从
类变成了
类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010143794.2A CN111368914B (zh) | 2020-03-04 | 2020-03-04 | 基于全概率协同分割的极化合成孔径雷达变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010143794.2A CN111368914B (zh) | 2020-03-04 | 2020-03-04 | 基于全概率协同分割的极化合成孔径雷达变化检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111368914A CN111368914A (zh) | 2020-07-03 |
| CN111368914B true CN111368914B (zh) | 2023-04-07 |
Family
ID=71206501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010143794.2A Active CN111368914B (zh) | 2020-03-04 | 2020-03-04 | 基于全概率协同分割的极化合成孔径雷达变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368914B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551809B (zh) * | 2009-05-13 | 2011-04-06 | 西安电子科技大学 | 基于高斯混合模型分类的sar图像检索方法 |
| WO2016165064A1 (zh) * | 2015-04-14 | 2016-10-20 | 中国科学院自动化研究所 | 基于多视角学习的鲁棒性前景检测方法 |
| CN109801208B (zh) * | 2019-01-24 | 2023-03-24 | 西安电子科技大学 | 基于多gpu任务优化的sar图像变化检测方法 |
-
2020
- 2020-03-04 CN CN202010143794.2A patent/CN111368914B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111368914A (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110210463B (zh) | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 | |
| CN108319964B (zh) | 一种基于混合特征和流形学习的火灾图像识别方法 | |
| CN108460341B (zh) | 基于集成深度卷积网络的光学遥感图像目标检测方法 | |
| CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
| CN105844279B (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
| CN109284786A (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
| WO2023273337A1 (zh) | 一种基于代表特征的遥感图像中的密集目标检测方法 | |
| CN103839075B (zh) | 一种基于联合稀疏表示的sar图像分类方法 | |
| CN107358214A (zh) | 基于卷积神经网络的极化sar地物分类方法 | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| CN103870842B (zh) | 结合极化特征和分水岭的极化sar图像分类方法 | |
| CN104680182B (zh) | 基于nsct和判别字典学习的极化sar分类方法 | |
| Veracini et al. | Fully unsupervised learning of Gaussian mixtures for anomaly detection in hyperspectral imagery | |
| Xu et al. | The comparative study of three methods of remote sensing image change detection | |
| Huang et al. | Superpixel-based change detection in high resolution sar images using region covariance features | |
| CN111368914B (zh) | 基于全概率协同分割的极化合成孔径雷达变化检测方法 | |
| CN111325158B (zh) | 一种基于cnn和rfc的集成学习的极化sar图像分类方法 | |
| CN104851090B (zh) | 图像变化检测方法及装置 | |
| CN116930904A (zh) | 一种探地雷达图像对齐及差异检测方法 | |
| Heidary et al. | Urban change detection by fully convolutional siamese concatenate network with attention | |
| CN113887652B (zh) | 基于形态和多示例学习的遥感图像弱小目标检测方法 | |
| CN115393706A (zh) | 一种基于无监督空频表征学习融合的sar图像变化检测方法 | |
| CN109214405A (zh) | 一种自适应联合特征字典进行遥感图像稀疏识别的方法 | |
| CN114283336A (zh) | 一种基于混合注意力的无锚框遥感图像小目标检测方法 | |
| Krishnamurthy et al. | Target detection performance bounds in compressive imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |