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】
[0001] 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】
[0002] 近年来，随着极化合成孔径雷达（Polari metric Synthetic Aperture Radar， 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。
[0003] 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，用于城市变迀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】
[0004] 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。
[0005] 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：
[0006] 1)对A、B两时相极化SAR图像进行预处理操作；
[0007] 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；
[0008] 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；
[0009] 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；
[0010] 5)对上述差异图像进行小波多尺度分解与融合；
[0011] 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。
[0012] 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。
[0013] 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NXN区域内的极化相干矩阵[T]3X3样 本块做算术平均而得到训练样本Τ。。
[0014] 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Τ。之间的极化距离A..,(7V,,，％)与 ，其中（i，j)表示图像中的每一个像元。
[0015] 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：
[0017] 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"
[0018] 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D(儿F)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。
[0019] 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 检测在城市变迀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】
[0020] 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。
[0021] 图2(a)为2009年4月9日苏州石湖地区的Pauli分解图。
[0022] 图2(b)为2010年6月15日苏州石湖地区的Pauli分解图。
[0023] 图3(a)为2009年3月26日苏州石湖地区的光学图像。
[0024] 图3(b)为2010年6月19日苏州石湖地区的光学图像。
[0025] 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。
[0026] 图4(b)为B时相极化SAR图像与目标类型样本T。的极化距离。
[0027] 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。
[0028] 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乃(AB) β
[0029] 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D10
[0030] 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。
[0031] 图8(a)为对差异图像进行双阈值分割后的变化区域S1:。
[0032] 图8(b)为对差异图像万UJ?)进行双阈值分割后的变化区域鸟。
【具体实施方式】
[0033] 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。
[0034] 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：
[0035] 1)对A、B两时相极化SAR图像进行预处理操作；
[0036] 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。
[0037] 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；
[0038] 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]3X3作 为训练样本Τ。，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NXN 区域内的极化相干矩阵[Τ]3Χ3样本块做算术平均，BP
[0039] 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；
[0040] 分别利用下面的式（2)计算出上述预处理后的Α、Β两时相极化SAR图像中各像素 点与训练样本Τ。之间的极化距离：
[0042] 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，T。为训练样本，全极化数据中，q的值为3。
[0043] 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；
[0044] 将A时相的极化距离A../(八，忍）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：
[0046] 当D1, j (A，B) = 0时，理论上分为以下几种情况：
[0048] 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Dli ,(A，B)出现奇异值的 情况，当从,^4,>·^、A./及，·〇为零时，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