本发明公开了一种基于深度堆栈网络的极化SAR影像变化检测方法，包括：1)得配准后两幅样本图像的极化散射矩阵S1及配准后两幅待检测图像的极化散射矩阵S2；2)生成极化协方差矩阵C；3)对极化协方差矩阵C进行预处理；4)得特征矩阵F1；5)人工标记配准后两幅样本图像的变化检测标准图；6)得基于图像块的特征矩阵F21；7)得配准后两幅待检测图像对应的基于图像块的特征矩阵F22；8)构建训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2；9)构建基于深度堆栈网络的极化SAR影像变化检测模型；10)对模型进行训练；11)根据训练后的模型对特征矩阵F22进行变化检测，该方法能够实现极化SAR影像的变化检测，操作较为简单。
1.一种基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，包括以下步骤：
1)将两幅极化SAR影像样本在相同地物不同时相的图像利用ENVI软件进行配准，得配准后两幅样本图像的极化散射矩阵S1；将两幅待检测极化SAR影像在相同地物不同时相的图像利用ENVI软件进行配准，得到配准后两幅待检测图像的极化散射矩阵S2；
2)根据配准后两幅样本图像的极化散射矩阵S1生成极化协方差矩阵C；
3)对步骤2)得到的极化协方差矩阵C进行精致LEE滤波及去除斑点噪声处理；
4)将经步骤3)处理后的极化协方差矩阵C中的每个像素值归一化到[0，1]之间，得特征矩阵F1；
6)将特征矩阵F1中的各元素替换为对应元素周围5×5的图像块，然后再利用人工标记的配准后两幅样本图像的变化检测标准图去除特征矩阵F1中不准确的图像块，得两幅样本图像对应的基于图像块的特征矩阵F21；
7)将配准后两幅待检测图像的极化散射矩阵S2作为配准后两幅样本图像的极化散射矩阵S1，并重复步骤2)、3)、4)、5)及6)，得配准后两幅待检测图像对应的基于图像块的特征矩阵F22；
8)将两幅样本图像对应的基于图像块的特征矩阵F21拉成列向量并级联，然后再根据两幅样本图像对应的基于图像块的特征矩阵F21构建训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2；
9)构建基于深度堆栈网络的极化SAR影像变化检测模型；
10)利用训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2对基于深度堆栈网络的极化SAR影像变化检测模型进行训练，得训练后的基于深度堆栈网络的极化SAR影像变化检测模型；
11)根据训练后的基于深度堆栈网络的极化SAR影像变化检测模型对步骤7)中配准后两幅待检测图像对应的基于图像块的特征矩阵F22进行变化检测，得待检测极化SAR影像的变化检测结果，完成基于深度堆栈网络的极化SAR影像变化检测。
2.根据权利要求1所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤9)中的深度堆栈网络由N个依次相连接的神经网络构成。
3.根据权利要求2所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，所述神经网络的数目为3个。
4.根据权利要求1所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤1)的具体操作为：配准后两幅样本图像的极化散射矩阵S1为：其中，SHH为水平发射且水平接收的散射分量，SVV为垂直发射且垂直接收的散射分量，SHV为水平发射且垂直接收的散射分量，SVH为垂直发射且水平接收的散射分量。
5.根据权利要求4所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤2)的具体操作为：
2a)由配准后两幅样本图像的极化散射矩阵S1得极化相干矩阵T，其中，
6.根据权利要求1所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，步骤4)中的特征矩阵F1为：
7.根据权利要求3所述的基于深度堆栈网络的极化SAR影像变化检测方法，其特征在于，深度堆栈网络包括依次相连接的第一输入层、第一隐含层、第一输出层、第二输入层、第二隐含层、第二输出层、第三输入层、第三隐含层及第三输出层；其中，第一输入层的节点数为450；第一隐含层的节点数为500；第一输出层的节点数为2；第二输入层的节点数为452；
第二隐含层的节点数为500；第二输出层的节点数为2；第三输入层的节点数为454；第三隐含层的节点数为500；第三输出层的节点数为2。
基于深度堆栈网络的极化SAR影像变化检测方法
技术领域
[0001] 本发明属于图像处理技术领域，涉及一种基于深度堆栈网络的极化SAR影像变化检测方法。
背景技术
[0002] 合成孔径雷达(synthetic aperture radar,SAR)能够全天时、全天候实时对地面或空间目标进行探测，能实时获取地面目标的二维高分辨图像，被广泛应用于军事领域、民用领域等。近年来,极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)数据获取途径逐渐增多,其图像所包含的信息量远大于单极化SAR图像,能记录目标散射回波的全极化信息,更加完整准确地揭示目标的散射机理,能增强杂波抑制与抗干扰能力等。为目标分解、分类以及检测提供了有力的数据支持,也为变化检测技术提供了一个新的研究方向。
[0003] 图像变化检测是一种通过对采集于不同时间同一地点的两幅SAR图像进行比较分析,确定地物变化信息的图像处理技术,在土地利用、水域检测和灾难监测等方面有广泛的应用。现有的极化SAR影像的变化检测方法有基于复Wishart分布的极化SAR图像变化检测算法、极化状态的变化检测方法等。
[0004] 2003年丹麦科技大学国际空间研究所的Knut Conradsen等人提出了一种基于复Wishart分布的极化SAR图像变化检测算法，该算法通过构造似然比检测量实现极化SAR图像的变化检测。
[0005] 2014年中国民航大学的韩萍团队提出了一种基于极化状态提取的极化SAR图像变化检测算法。首先利用不变样本目标提取图像的最优极化状态，并将此极化状态下的接收功率比值作为变化检测特征量,最后利用双阈值判别方法提取变化区域实现变化检测。
[0006] 这些变化检测方法人工提取特征，直接利用图像的某种特性进行检测，没有运用深度学习的方法，因而特征提取的方法很繁琐。
发明内容
[0007] 本发明的目的在于克服上述现有技术的缺点，提供了一种基于深度堆栈网络的极化SAR影像变化检测方法，该方法能够实现极化SAR影像的变化检测，操作较为简单。
[0008] 为达到上述目的，本发明所述的基于深度堆栈网络的极化SAR影像变化检测方法包括以下步骤：
[0009] 1)将两幅极化SAR影像样本在相同地物不同时相的图像利用ENVI软件进行配准，得配准后两幅样本图像的极化散射矩阵S1；将两幅待检测极化SAR影像在相同地物不同时相的图像利用ENVI软件进行配准，得到配准后两幅待检测图像的极化散射矩阵S2；
[0010] 2)根据配准后两幅样本图像的极化散射矩阵S1生成极化协方差矩阵C；
[0011] 3)对步骤2)得到的极化协方差矩阵C进行精致LEE滤波及去除斑点噪声处理；
[0012] 4)将经步骤3)处理后的极化协方差矩阵C中的每个像素值归一化到[0，1]之间，得特征矩阵F1；
[0013] 5)人工标记配准后两幅样本图像的变化检测标准图；
[0014] 6)将特征矩阵F1中的各元素替换为对应元素周围5×5的图像块，然后再利用人工标记的配准后两幅样本图像的变化检测标准图去除特征矩阵F1中不准确的图像块，得两幅样本图像对应的基于图像块的特征矩阵F21；
[0015] 7)将配准后两幅待检测图像的极化散射矩阵S2作为配准后两幅样本图像的极化散射矩阵S1，并重复步骤2)、3)、4)、5)及6)，得配准后两幅待检测图像对应的基于图像块的特征矩阵F22；
[0016] 8)将两幅样本图像对应的基于图像块的特征矩阵F21拉成列向量并级联，然后再根据两幅样本图像对应的基于图像块的特征矩阵F21构建训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2；
[0017] 9)构建基于深度堆栈网络的极化SAR影像变化检测模型；
[0018] 10)利用训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2对基于深度堆栈网络的极化SAR影像变化检测模型进行训练，得训练后的基于深度堆栈网络的极化SAR影像变化检测模型；
[0019] 11)根据训练后的基于深度堆栈网络的极化SAR影像变化检测模型对步骤7)中配准后两幅待检测图像对应的基于图像块的特征矩阵F22进行变化检测，得待检测极化SAR影像的变化检测结果，完成基于深度堆栈网络的极化SAR影像变化检测。
[0020] 步骤9)中的深度堆栈网络由N个依次相连接的神经网络构成。
[0021] 所述神经网络的数目为3个；
[0022] 步骤1)的具体操作为：配准后两幅样本图像的极化散射矩阵S1为：
[0023]
[0024] 其中，SHH为水平发射且水平接收的散射分量，SVV为垂直发射且垂直接收的散射分量，SHV为水平发射且垂直接收的散射分量，SVH为垂直发射且水平接收的散射分量。
[0025] 步骤2)的具体操作为：
[0026] 2a)由配准后两幅样本图像的极化散射矩阵S1得极化相干矩阵T，其中，[0027]
[0028]
[0029] 2b)根据式(3)得极化协方差矩阵C，其中，
[0030] C＝ATTA (4)
[0031]
[0032] 步骤4)中的特征矩阵F1为：
[0033]
[0034] 深度堆栈网络包括依次相连接的第一输入层、第一隐含层、第一输出层、第二输入层、第二隐含层、第二输出层、第三输入层、第三隐含层及第三输出层；其中，第一输入层的节点数为450；第一隐含层的节点数为500；第一输出层的节点数为2；第二输入层的节点数为452；第二隐含层的节点数为500；第二输出层的节点数为2；第三输入层的节点数为454；第三隐含层的节点数为500；第三输出层的节点数为2。
[0035] 本发明具有以下有益效果：
[0036] 本发明所述的基于深度堆栈网络的极化SAR影像变化检测方法在具体操作时，通过引入深度学习，避免传统方法人工提取特征的繁杂性，具体的，先构建基于深度堆栈网络的极化SAR影像变化检测模型，并对该模型进行训练，以提高检测的准确性，再利用基于深度堆栈网络的极化SAR影像变化检测模型对配准后两幅待检测图像对应的基于图像块的特征矩阵F22进行变化检测，得待检测极化SAR影像的变化检测结果，操作较为简单、方便，另外，需要说明的是，本发明利用人工标记的配准后两幅样本图像的变化检测标准图去除特征矩阵F1中不准确的图像块，从而有效的提高变化检测的准确性，并且具有较强的泛化能力。
附图说明
[0037] 图1为本发明的流程图；
[0038] 图2为本发明中对待检测图像的人工标记图；
[0039] 图3为用本发明对待检测图像的检测结果图；
[0040] 图4为本发明中对构造的待检测图像的人工标记图；
[0041] 图5为用本发明对构造的待检测图像的检测结果图。
具体实施方式
[0042] 下面结合附图对本发明做进一步详细描述：
[0043] 参考图1，本发明所述的基于深度堆栈网络的极化SAR影像变化检测方法包括以下步骤：
[0044] 1)将两幅极化SAR影像样本在相同地物不同时相的图像利用ENVI软件进行配准，得配准后两幅样本图像的极化散射矩阵S1；将两幅待检测极化SAR影像在相同地物不同时相的图像利用ENVI软件进行配准，得到配准后两幅待检测图像的极化散射矩阵S2；
[0045] 步骤1)的具体操作为：配准后两幅样本图像的极化散射矩阵S1为：
[0046]
[0047] 其中，SHH为水平发射且水平接收的散射分量，SVV为垂直发射且垂直接收的散射分量，SHV为水平发射且垂直接收的散射分量，SVH为垂直发射且水平接收的散射分量。
[0048] 2)根据配准后两幅样本图像的极化散射矩阵S1生成极化协方差矩阵C；
[0049] 步骤2)的具体操作为：
[0050] 2a)由配准后两幅样本图像的极化散射矩阵S1得极化相干矩阵T，其中，[0051]
[0052]
[0053] 2b)根据式(3)得极化协方差矩阵C，其中，
[0054] C＝ATTA (4)
[0055]
[0056] 3)对步骤2)得到的极化协方差矩阵C进行精致LEE滤波及去除斑点噪声处理；
[0057] 4)将经步骤3)处理后的极化协方差矩阵C中的每个像素值归一化到[0，1]之间，得特征矩阵F1；
[0058] 步骤4)中的特征矩阵F1为：
[0059]
[0060] 5)人工标记配准后两幅样本图像的变化检测标准图；
[0061] 6)将特征矩阵F1中的各元素替换为对应元素周围5×5的图像块，然后再利用人工标记的配准后两幅样本图像的变化检测标准图去除特征矩阵F1中不准确的图像块，得两幅样本图像对应的基于图像块的特征矩阵F21；
[0062] 7)将配准后两幅待检测图像的极化散射矩阵S2作为配准后两幅样本图像的极化散射矩阵S1，并重复步骤2)、3)、4)、5)及6)，得配准后两幅待检测图像对应的基于图像块的特征矩阵F22；
[0063] 8)将两幅样本图像对应的基于图像块的特征矩阵F21拉成列向量并级联，然后再根据两幅样本图像对应的基于图像块的特征矩阵F21构建训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2；
[0064] 9)构建基于深度堆栈网络的极化SAR影像变化检测模型；
[0065] 步骤9)中的深度堆栈网络由N个依次相连接的神经网络构成；所述神经网络的数目为3个；深度堆栈网络包括依次相连接的第一输入层、第一隐含层、第一输出层、第二输入层、第二隐含层、第二输出层、第三输入层、第三隐含层及第三输出层；其中，第一输入层的节点数为450；第一隐含层的节点数为500；第一输出层的节点数为2；第二输入层的节点数为452；第二隐含层的节点数为500；第二输出层的节点数为2；第三输入层的节点数为454；第三隐含层的节点数为500；第三输出层的节点数为2。
[0066] 10)利用训练数据集D的特征矩阵W1及测试数据集T的特征矩阵W2对基于深度堆栈网络的极化SAR影像变化检测模型进行训练，得训练后的基于深度堆栈网络的极化SAR影像变化检测模型；
[0067] 11)根据训练后的基于深度堆栈网络的极化SAR影像变化检测模型对步骤7)中配准后两幅待检测图像对应的基于图像块的特征矩阵F22进行变化检测，得待检测极化SAR影像的变化检测结果，完成基于深度堆栈网络的极化SAR影像变化检测。
[0068] 仿真实验
[0069] 仿真条件：硬件平台为Intel(R)Xeon(R)CPU E5-2630，2.40GHz*16，内存为64G；软件平台为Keras。
[0070] 仿真内容与结果：
[0071] 用本发明在上述仿真条件下进行实验，各取两幅图像对应位置的变化样本数量的一半以及等数量的未变化样本作为训练集，将所有样本作为测试集，得到如图3的分类结果。
[0072] 从图3可以看出，分类结果的区域一致性较好，不同区域划分后的边缘非常清晰，且保持了细节信息。
[0073] 使用两幅极化SAR影像作为测试集测试网络，再使用构造的极化SAR影像测试网络，与传统的PPCD(patch based change detection)方法对比，计算其Kappa系数，结果如表1所示：
[0074] 表1
[0075]
[0076]
[0077] 从表1可见，本发明的测试数据集分类精度均高于PPCD。
[0078] 网络的训练集准确率，测试集的准确率结果如表2所示：
[0079] 表2
[0080]
[0081] 综上，本发明在极化SAR影像变化检测中引入深度学习，避免了传统方法人工提取特征的繁杂性，去除了差异图的提取步骤，具有很强的泛化能力，能获取到更加精确的变化检测精度。
