基于全概率协同分割的极化合成孔径雷达变化检测方法

• 摘要：

  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.

• 专利类型：

  发明专利

• 申请/专利号：

  CN202010143794.2

• 申请日期：

  2020.03.04

• 公开/公告号：

  CN111368914A

• 公开/公告日：

  2020-07-03

• 发明人：

  缑水平 张沛阳 牟金明 刘波 任海洋 毛莎莎 焦昶哲 李哲

• 申请人：

  西安电子科技大学

• 主分类号：

  G06K9/62(2006.01),G,G06,G06K,G06K9

• 分类号：

  G06K9/62(2006.01),G06K9/34(2006.01),G06K9/46(2006.01),G06T7/11(2017.01),G06K9/40(2006.01),G,G06,G06K,G06T,G06K9,G06T7,G06K9/62,G06K9/34,G06K9/46,G06T7/11,G06K9/40

• 主权项：

  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.