CN105118065A - 小波域极化距离变换的极化sar图像变化检测方法 - Google Patents

Abstract

一种小波域极化距离变换的极化SAR图像变化检测方法。其包括对两时相的极化SAR图像进行去噪、去取向等预处理操作；提取感兴趣地物类型的部分区域作为训练样本；将两时相图像分别同训练样本作极化距离度量得到两时相的极化距离；将两种极化距离进行比值对数变换，构造差异图像；将差异图像进行小波多尺度分解与融合；对融合后的差异图像进行双阈值分割，提取出不变区域和两种变化区域等步骤。本发明方法能够较好地实现复杂场景下特定地物类型的变化检测，鲁棒性强，可进一步用于极化SAR图像变化检测在城市变迁的监测或灾情的检测与评估等实际应用中。

Description

小波域极化距离变换的极化SAR图像变化检测方法

技术领域

本发明属于极化SAR图像处理技术领域，特别是涉及一种小波域极化距离变换的极化SAR图像变化检测方法。

背景技术

近年来，随着极化合成孔径雷达(PolarimetricSyntheticApertureRadar，PolSAR)数据获取途径的逐渐增多，相比单极化SAR图像而言，全极化SAR图像所包含的信息量更大，从而为更加准确地揭示目标的散射机理，以及后期对目标的分解、分类和检测提供了更有力的数据支持，为变化检测技术在土地利用、水域检测和灾难监测等方面提供了更为广泛的应用。

变化检测方法可以分为两类：有监督变化检测和无监督变化检测。其中有监督变化检测方法中比较典型的方法主要包括分类比较法、支持向量机方法、模糊神经网络方法等。无监督变化检测方法中比较典型的方法主要包括差值法、比值法、比值对数法、图像回归法、向量索引变化法、变化向量分析法等。一般情况下，变化检测的结果多为全场景下的所有变化区域，即所有像素点的变化。但在SAR图像的某些应用领域中，通常根据需要，只针对某一类地物的变化进行检测分析，例如对水体类区域的变化进行检测，用于洪涝灾害的预防；对城区如房屋建筑类区域的变化进行检测，用于城市变迁的监测或灾情的检测与评估。在这种情况下，一些传统的变化检测方法已不再适用。为了实现复杂场景下对某一类地物的变化检测，就需要将分类信息引用到检测中，而国内外现有的利用分类信息实现变化检测的经典方法主要为分类后比较法：即对每幅图像先进行独立分类，然后根据两时相图像对应像素点的类别差异来区分是否发生了变化，如果对应像素点的类别相同，则认为该像素点并未发生变化，否则认为该像素点发生了变化。该类方法虽然利用了分类信息，但是仍然是针对全场景下的所有变化区域进行检测。

发明内容

为了解决上述问题，本发明的目的在于提供一种能够较好地实现复杂场景下特定地物类型的变化检测，具有较强的鲁棒性的小波域极化距离变换的极化SAR图像变化检测方法。

为了达到上述目的，本发明提供的小波域极化距离变换的变化检测方法包括按顺序进行的下列步骤：

1)对A、B两时相极化SAR图像进行预处理操作；

2)提取感兴趣目标地物类型部分区域内图像的像素点作为训练样本；

3)将上述预处理后的两时相极化SAR图像分别同训练样本作极化距离度量，得到两时相的极化距离；

4)将上述得到的两时相的极化距离进行比值对数变换，得到差异图像；

5)对上述差异图像进行小波多尺度分解与融合；

6)对上述融合后的差异图像进行双阈值分割，提取出不变区域和两种变化区域。

在步骤1)中，所述的对A、B两时相极化SAR图像进行预处理的方法为：对A、B两时相极化SAR图像配准后进行相干斑抑制和去取向操作。

在步骤2)中，所述的提取感兴趣目标地物类型部分区域内图像的像素点作为训练样本的方法是：人工选取A时相中目标地物类型N×N区域内的极化相干矩阵[T]_3×3样本块做算术平均而得到训练样本T₀。

在步骤3)中，所述的将预处理后的两时相极化SAR图像分别同训练样本作极化距离度量，得到两时相的极化距离的方法是：利用极化距离测度，分别计算出预处理后的A、B两时相极化SAR图像中各像素点与训练样本T₀之间的极化距离与其中(i,j)表示图像中的每一个像元。

在步骤4)中，所述的将得到的两时相的极化距离进行比值对数变换，得到差异图像D(A,B)所采用的公式为：

$D_{i,j}(A,B)=log\[\frac{D_{i,j}(T_{A_{(i,j)}},T_0)}{D_{i,j}(T_{B_{(i,j)}},T_0)}\].$

在步骤5)中，所述的对差异图像进行小波多尺度分解与融合的方法是：对差异图像D(A,B)进行2维离散小波多尺度分解，并利用变化系数(CV)来确定最佳分解尺度M，将图像M层的低频信息进行融合重构，得到重构差异图像

在步骤6)中，所述的对融合后的差异图像进行双阈值分割的方法是：利用双阈值判别方法对上述重构差异图像进行判别，得到两幅以“0”表示不变像素点、“1”表示变化像素点的二值图像。

本发明提供的小波域极化距离变换的极化SAR图像变化检测方法与现有技术相比具有以下优点：①能够较好地实现复杂场景下特定地物类型的变化检测；②能够很好地抑制斑点噪声；③所定义的极化距离变换可以将变化区域分为两类，对极化SAR图像变化检测在城市变迁或灾难监测与估计等应用中提供了更有利的支持。④具有良好的鲁棒性。

附图说明

图1为本发明提供的小波域极化距离变换的极化SAR图像变化检测方法流程图。

图2(a)为2009年4月9日苏州石湖地区的Pauli分解图。

图2(b)为2010年6月15日苏州石湖地区的Pauli分解图。

图3(a)为2009年3月26日苏州石湖地区的光学图像。

图3(b)为2010年6月19日苏州石湖地区的光学图像。

图4(a)为A时相极化SAR图像与目标类型样本T₀的极化距离。

图4(b)为B时相极化SAR图像与目标类型样本T₀的极化距离。

图5为将两个极化距离进行比值对数变换得到的差异图像D。

图6为差异图像经过小波多尺度分解和融合得到的重构差异图像

图7(a)为对差异图像D(A,B)进行双阈值分割后的变化区域D₁。

图7(b)为对差异图像D(A,B)进行双阈值分割后的变化区域D₂。

图8(a)为对差异图像进行双阈值分割后的变化区域

图8(b)为对差异图像进行双阈值分割后的变化区域

具体实施方式

下面参照附图和具体实施例对本发明提供的小波域极化距离变换的极化SAR图像变化检测方法进行详细说明。

如图1所示，本发明提供的小波域极化距离变换的极化SAR图像变化检测方法包括按顺序进行的下列步骤：

1)对A、B两时相极化SAR图像进行预处理操作；

由于极化SAR图像的固有相干斑噪声会对变化检测结果造成影响，故需要对A、B两时相极化SAR图像配准后进行相干斑抑制和去取向操作。

2)提取感兴趣目标地物类型部分区域内图像的像素点作为训练样本；

利用2009年4月9日和2010年6月15日，Radarsat-2在苏州区域获取的雷达图像进行试验。如图2、图3所示。人工选取A时相中目标地物类型的极化相干矩阵[T]_3×3作为训练样本T₀，本发明为了降低个别样本点对实验结果的影响，故选择目标地物类型N×N区域内的极化相干矩阵[T]_3×3样本块做算术平均，即

3)将上述预处理后的两时相极化SAR图像分别同训练样本作极化距离度量，得到两时相的极化距离；

分别利用下面的式(2)计算出上述预处理后的A、B两时相极化SAR图像中各像素点与训练样本T₀之间的极化距离：

$D_{i,j}(T_{s_{(i,j)}},T_0)=\frac{1}{2}Tr(T_{s_{(i,j)}}^{-1}{T}_0+T_0^{-1}{T}_{s_{(i,j)}})-q---\left(2\right)$

其中，为预处理后的A时相或者B时相图像中第(i,j)个像素点的极化相干矩阵，T₀为训练样本，全极化数据中，q的值为3。

4)将上述得到的两时相的极化距离进行比值对数变换，得到差异图像；

将A时相的极化距离与B时相的极化距离进行相比运算，然后两边取对数，得到差异图像，即：

$D_{i,j}(A,B)=log\[\frac{D_{i,j}(T_{A_{(i,j)}},T_0)}{D_{i,j}(T_{B_{(i,j)}},T_0)}\]---\left(3\right)$

当D_i,j(A,B)＝0时，理论上分为以下几种情况：

其中φ(·)表示极化SAR图像中对应像素点所属的地物类别。上述三种情况均表示A、B两时相极化SAR图像对应像素点未发生变化。为了避免D_i,j(A,B)出现奇异值的情况，当为零时，以该像素点为中心，将自适应大小窗口内的像素点均值作为该像素点的灰度值，窗口大小以第一次窗口内出现非零值为最佳。

5)对上述差异图像进行小波多尺度分解与融合；

对上述获得的差异图像D(A,B)进行多尺度的小波分解运算，为了去除噪声的影响，故保留每一层的低频子带系数，得到与原始极化SAR图像大小相同的图像集其中(s＝1,2,…,n)表示差异图像D(A,B)进行多尺度小波分解后的第s层低频子带系数。随着分解层数的增加，低频子带系数所包含的可利用信息越来越少，所以最佳分解尺度的选择有利于提高检测的准确性，小波分解的最佳尺度层数M采用变化系数(CV)来确定，通过最佳分解层可得到可靠的图像集M≤n。然后利用特征级融合的策略对最佳分解层内的低频子带系数进行重构，通过平均图像集D^L中的图像得到新的图像集 ${\tilde{D}}^L=\{{\stackrel{\‾}{D}}^0,{\stackrel{\‾}{D}}^1,...,{\stackrel{\‾}{D}}^M\},M\≤n,$ 计算公式为：

${\stackrel{\‾}{D}}^m=\frac{1}{h+1}\underset{m=0}{\overset{M}{\Σ}}{D}^{L_m},h=0,1,...,M-1;---\left(4\right)$

其中为原始差异图像。然后对图像集中的图像进行平均运算，得到重构差异图像计算公式为：

$\stackrel{\&OverBar;}{D}=\frac{1}{M}\underset{n=0}{\overset{M}{\&Sigma;}}{\stackrel{\&OverBar;}{D}}^m,M<n---\left(5\right)$

6)对上述融合后的差异图像进行双阈值分割，提取出不变区域和两种变化区域；

利用双阈值判别方法对重构差异图像进行判别，得到两幅以“0”表示不变像素点、“1”表示变化像素点的二值图像，根据步骤4)的分析可知，阈值分割结果分为三类：无变化类，目标地物从“有”到“无”类和目标地物从“无”到“有”类，具体判别方法如下：

$\left\{\begin{array}{cc}{\stackrel{\&OverBar;}{D}}_0(i,j)=0,& -\mathrm{\&Delta;}x\&le;{\stackrel{\&OverBar;}{D}}_{i,j}(A,B)\&le;+{\mathrm{\&Delta;x}}_2\\ {\stackrel{\&OverBar;}{D}}_1(i,j)=0,& {\stackrel{\&OverBar;}{D}}_{i,j}(A,B)\&le;-{\mathrm{\&Delta;x}}_1\\ {\stackrel{\&OverBar;}{D}}_2(i,j)=0,& {\stackrel{\&OverBar;}{D}}_{i,j}(A,B)\&GreaterEqual;+{\mathrm{\&Delta;x}}_2\end{array}\right.$

其中，Δx₁、Δx₂分别表示以0为中心左右两边的偏移量，那么两个判别阈值可表示为T₁＝-Δx₁和T₂＝+Δx₂。表示从目标类地物变为非目标类地物的像素点，表示从非目标类地物变为目标类地物的像素点。需要说明的是，理论上，重构差异图像时，说明A、B两时相极化SAR图像中对应的像素点无变化，但实际上，两时相极化SAR图像中不变区域对应的像素点间的距离完全相同的可能性是极小的，因此可以认为以0为中心的一定范围内的像素点都属于不变区域，而且，重构差异图像不一定满足均匀对称分布，为了获得更加准确的检测结果，Δx₁和Δx₂的取值可以不相等。

为了验证本发明方法的效果，本发明人进行了如下实验：

实验数据描述：该数据是RadarSat-2***在中国苏州石湖上空采集的L波段全极化数据。该数据为两时相已配准数据，大小为930×580，数据中主要包括3种土地覆盖类型，即裸地、城区和水体。

实验参数描述：实验中，将水体作为训练样本，从图2(a)时相的数据中选取水体的样本块，N＝20；小波多尺度分解最佳层数M＝3；

将两时相图像分别同训练样本作极化距离度量，利用公式(2)计算的结果如图4(a)与图4(b)所示，理论上灰度值越低的像元，越趋于被归为水体类；反之，灰度值越高的像元，越趋于被归为非水体类。但由于道路及平坦水泥地面的散射特性与水体非常相近，故这两类区域灰度值也相对较低。

极化距离的比值对数变换结果如图5所示。本发明方法可以通过该变换实现对变化区域的具体分类，由图3(a)与图3(b)可知，该数据中的变化基本为水体和裸地之间的变化，试验将水体定为目标类地物，则非目标类地物为裸地。如步骤4)所述，若则D_i,j(A,B)＞＞0，表示该像元是由裸地变成了水体，即该像元所在区域可能发生了干旱或退潮等变化；相反，若则D_i,j(A,B)＜＜0，表示该像元是由水体变成了裸地，即该像元所在区域可能发生了降雨、涨水或洪涝等变化。本发明方法为极化SAR图像变化检测在灾难监测的实际应用上提供了有利的支持。

小波多尺度分解与融合后的重构差异图像如图6所示。由图6可以看出，重构差异图像与图5相比，对比度更强，区域轮廓更加完整清晰。这是由于通过对原差异图像进行小波分解与可靠层的低频重构，起到了去除噪声和保留细节均衡的效果。本发明方法在阈值分割前有效降低了噪声对检测结果的影响，从而保证了检测结果的准确性。

为了体现本发明方法中小波多尺度分解与融合的有效性，故对未经过小波多尺度分解与融合的原差异图像D进行了双阈值分割，图7(a)为由水体变为裸地的变化区域；图7(b)为由裸地变为水体的变化区域。经过小波多尺度分解与融合后对重构差异图像D进行双阈值分割，图8(a)为由水体变为裸地的变化区域；图8(b)为由裸地变为水体的变化区域。通过比较可以看出，经过小波多尺度分解与融合后的阈值分割结果，漏警和虚警率更低，准确率更高。

Claims (7)

1.一种小波域极化距离变换的极化SAR图像变化检测方法，其特征在于：其包括按顺序进行的下列步骤：

1)对A、B两时相极化SAR图像进行预处理操作；

2)提取感兴趣目标地物类型部分区域内图像的像素点作为训练样本；

3)将上述预处理后的两时相极化SAR图像分别同训练样本作极化距离度量，得到两时相的极化距离；

4)将上述得到的两时相的极化距离进行比值对数变换，得到差异图像；

5)对上述差异图像进行小波多尺度分解与融合；

6)对上述融合后的差异图像进行双阈值分割，提取出不变区域和两种变化区域。

2.根据权利要求1所述的小波域极化距离变换的极化SAR图像变化检测方法，其特征在于：在步骤1)中，所述的对A、B两时相极化SAR图像进行预处理的方法为：对A、B两时相极化SAR图像配准后进行相干斑抑制和去取向操作。

3.根据权利要求1所述的小波域极化距离变换的极化SAR图像变化检测方法，其特征在于：在步骤2)中，所述的提取感兴趣目标地物类型部分区域内图像的像素点作为训练样本的方法是：人工选取A时相中目标地物类型N×N区域内的极化相干矩阵[T]_3×3样本块做算术平均而得到训练样本T₀。

4.根据权利要求1所述的小波域极化距离变换的极化SAR图像变化检测方法，其特征在于：在步骤3)中，所述的将预处理后的两时相极化SAR图像分别同训练样本作极化距离度量，得到两时相的极化距离的方法是：利用极化距离测度，分别计算出预处理后的A、B两时相极化SAR图像中各像素点与训练样本T₀之间的极化距离与其中(i,j)表示图像中的每一个像元。

5.根据权利要求1所述的小波域极化距离变换的极化SAR图像变化检测方法，其特征在于：在步骤4)中，所述的将得到的两时相的极化距离进行比值对数变换，得到差异图像D(A,B)所采用的公式为：

$D_{i,j}(A,B)=log\&lsqb;\frac{D_{i,j}(T_{A_{(i,j)}},T_0)}{D_{i,j}(T_{B_{(i,j)}},T_0)}\&rsqb;.$

6.根据权利要求1所述的小波域极化距离变换的极化SAR图像变化检测方法，其特征在于：在步骤5)中，所述的对差异图像进行小波多尺度分解与融合的方法是：对差异图像D(A,B)进行2维离散小波多尺度分解，并利用变化系数(CV)来确定最佳分解尺度M，将图像M层的低频信息进行融合重构，得到重构差异图像

7.根据权利要求1所述的小波域极化距离变换的极化SAR图像变化检测方法，其特征在于：在步骤6)中，所述的对融合后的差异图像进行双阈值分割的方法是：利用双阈值判别方法对上述重构差异图像进行判别，得到两幅以“0”表示不变像素点、“1”表示变化像素点的二值图像。