论文部分内容阅读
极化合成孔径雷达(Synthetic Aperture Radar,SAR)影像的变化检测是根据同地物不同时相的极化SAR影像,检测其发生变化的区域的一种技术,它是监测军事情报、检测自然灾害等领域的关键技术。传统的极化SAR影像变化检测技术需要人工提取特征,过程繁琐,计算量较大;对极化SAR影像数据的分辨率、极化特性、分布特性等要求较高。为了解决这些问题,本文提出一种新的基于深度学习进行极化SAR影像变化检测的思路,利用深度学习突出的特征提取能力,结合极化SAR影像的极化特征对变化区域进行检测。本文的主要工作如下:(1)提出一种基于深度堆栈网络(Deep Stacking Network,DSN)的极化SAR影像变化检测算法。该算法克服了传统算法计算繁琐,对图像要求较高的弊端,并利用了深度学习可以有效提取特征的优势,提高了极化SAR影像变化检测的精度。该算法主要思想是将变化检测看作二分类问题,构建二分类的DSN,利用预处理后的两幅同地物不同时相的极化SAR影像训练DSN,从而对变化与未变化的样本进行分类,得到变化检测结果。(2)提出一种基于曲线波深度卷积堆栈网络(Deep Convolution Stacking Network,DCSN)的极化SAR影像变化检测算法。该算法运用曲线波可以提取轮廓特征并对图像进行降噪的优势,对极化SAR影像数据进行了处理,同时将卷积网络出色的提取特征的能力和DSN独特的堆栈结构结合,增强了网络的特征表达能力,提高了变化检测精度。该算法使用曲线波对极化SAR影像数据进行处理得到分解系数,然后提取部分分解系数进行曲线波逆变换,得到训练数据。再用卷积层和批归一化层替换原始DSN的全连接层,构建二分类的DCSN。最后利用训练数据训练DCSN,并对样本进行分类,得到变化检测结果。(3)提出一种基于SOM_Kmeans和Wishart-DCSN的极化SAR影像变化检测算法。该算法引入无监督聚类思想,解决了极化SAR影像缺乏真实类标的问题,同时运用极化SAR影像服从Wishart分布的特性,使用Wishart距离来选取精确的训练样本,增强了网络的性能。该算法首先对两幅同地物不同时相的极化SAR影像的差值图进行SOM_Kmeans聚类,得到伪类标,并根据伪类标选取初步的训练样本;然后计算两幅极化SAR影像对应位置处被选样本的Wishart距离,并以此距离为参照选取精确的训练样本;最后构建二分类的DCSN,用精确的训练样本训练DCSN,对变化与未变化的样本进行分类,从而得到最终的变化检测结果。