本發(fā)明屬于SAR圖像處理
技術(shù)領(lǐng)域：
，涉及一種基于極化狀態(tài)提取的極化SAR圖像變化檢測方法。
背景技術(shù)：
：合成孔徑雷達(dá)(SyntheticApertureRadar，SAR)圖像變化檢測是一種通過對采集于不同時(shí)間同一地點(diǎn)的兩幅SAR圖像進(jìn)行比較分析，確定地物變化信息的圖像處理技術(shù)，加之SAR系統(tǒng)全天時(shí)、全天候的觀測特點(diǎn)而被廣泛應(yīng)用于災(zāi)情估計(jì)、城市規(guī)劃以及軍事打擊效果評估等眾多領(lǐng)域。近年來，極化合成孔徑雷達(dá)(PolarimetricSyntheticApertureRadar，PolSAR)數(shù)據(jù)獲取途徑逐漸增多，其圖像所包含的信息量遠(yuǎn)大于單極化SAR圖像，能夠更加完整準(zhǔn)確地揭示目標(biāo)的散射機(jī)理，為目標(biāo)分解、分類以及檢測提供了有力的數(shù)據(jù)支持，也為變化檢測技術(shù)提供了一個(gè)新的研究方向。經(jīng)過多年的發(fā)展，單極化SAR圖像的變化檢測技術(shù)已逐漸成熟，其新成果也不斷涌現(xiàn)，學(xué)科的交叉發(fā)展也使一些舊理論得到了新應(yīng)用，Li等人將聯(lián)合稀疏表示理論應(yīng)用到SAR圖像變化檢測中，提高了算法的魯棒性；羅灣等人將熱學(xué)中的熱核理論引入變化檢測，通過提取熱核不變量來判斷目標(biāo)區(qū)域變化與否，有效降低了矩陣的擾動性。與之相比，針對極化SAR圖像的變化檢測算法研究進(jìn)展相對緩慢。Conradsen等人在地物目標(biāo)的極化協(xié)方差矩陣滿足Wishart分布的條件下，利用極化似然比檢驗(yàn)?zāi)Ｐ蜆?gòu)造描述兩時(shí)相對應(yīng)地物目標(biāo)差異程度的變化檢測特征量，以此實(shí)現(xiàn)變化檢測并獲得了較好的檢測效果。但真實(shí)場景中的地物散射特性往往較為復(fù)雜，有時(shí)無法滿足該條件，這使得算法的通用性受到了限制；Hao等人則通過最大化變化區(qū)域與不變區(qū)域的對比度來確定一組最優(yōu)極化狀態(tài)，以提高變化檢測的正確率。除此之外，日本學(xué)者M(jìn)uhtar等人從構(gòu)造極化狀態(tài)的角度出發(fā)實(shí)現(xiàn)了PolSAR圖像的變化檢測；Alonso-Gonzalez等人利用二叉樹理論提取圖像均值區(qū)域，進(jìn)而對不同時(shí)相的同一均值區(qū)域進(jìn)行變化檢測；張永紅等人提出一種新的適用于變化檢測的極化距離測度，實(shí)測數(shù)據(jù)驗(yàn)證了算法的有效性。技術(shù)實(shí)現(xiàn)要素：為克服現(xiàn)有技術(shù)的不足，本發(fā)明旨在從極化SAR數(shù)據(jù)的極化狀態(tài)入手，選擇一種最優(yōu)極化狀態(tài)使得不同時(shí)相的相同目標(biāo)的幾何散射特性更加一致，進(jìn)而更加準(zhǔn)確的提取兩時(shí)相變化區(qū)域的方法，實(shí)現(xiàn)一種基于極化狀態(tài)提取的極化SAR圖像變化檢測方法。本發(fā)明采用的技術(shù)方案是，基于極化狀態(tài)提取的極化SAR圖像變化檢測方法，步驟如下：(一)預(yù)處理：對已配準(zhǔn)的兩時(shí)相圖像分別進(jìn)行去取向和相干斑抑制操作；(二)最優(yōu)極化狀態(tài)提?。菏紫茸詣舆x取兩時(shí)相圖像中的不變目標(biāo)作為樣本，然后構(gòu)造樣本目標(biāo)的特征矢量，緊接著尋找使得目標(biāo)特征向量相似性系數(shù)最大的極化橢圓率角和極化方位角作為該樣本目標(biāo)的最優(yōu)極化狀態(tài)，將所有樣本目標(biāo)的最優(yōu)極化狀態(tài)取平均后得到整幅圖像的最優(yōu)極化狀態(tài)組合χopt和ψo(hù)pt；(三)在最優(yōu)極化狀態(tài)下構(gòu)造變化檢測特征量，根據(jù)求得的χopt和ψo(hù)pt重新計(jì)算極化Kennaugh矩陣，利用極化合成公式計(jì)算兩時(shí)相對應(yīng)目標(biāo)在最優(yōu)極化狀態(tài)下的接收功率PA_opt[χopt，ψo(hù)pt]和PB_opt[χopt,ψo(hù)pt]，以B時(shí)相數(shù)據(jù)為參考，構(gòu)造比值變化檢測特征量為：F=PA_optPB_opt]]>(四)雙閾值分割提取變化區(qū)域。利用雙閾值判別方法對變化檢測特征量F進(jìn)行判別，得到以“0”表示不變目標(biāo)點(diǎn)、“1”表示變化目標(biāo)點(diǎn)的二值化檢測結(jié)果F′，具體判別方法如下：Fij′=01-Δx1≤Fij≤1+Δx2Fij′=1else]]>式中，Δx1、Δx2分別表示以1為中心左右兩邊的偏移量，那么兩個(gè)判別閾值可表示為T1＝1-Δx1和T2＝1+Δx2。步驟(二)具體步驟是，(1)自動選擇樣本目標(biāo)，步驟如下：A.計(jì)算兩時(shí)相極化SAR圖像對應(yīng)目標(biāo)的極化差異度，其定義式如下：D=(1-(<TA>||TA||F·<TB*>||TB||F))+(1-2(PA/PB+PB/PA))]]>其中，TA、TB為兩時(shí)相對應(yīng)目標(biāo)的極化相干矩陣；PA、PB為兩時(shí)相對應(yīng)目標(biāo)的總功率；上標(biāo)*表示共軛運(yùn)算；||·||F表示求矩陣的F范數(shù)；角標(biāo)A、B分別代表兩時(shí)相極化SAR圖像的標(biāo)號；B.對所有像素點(diǎn)的極化差異度進(jìn)行升序排列，選擇前N個(gè)極化差異度數(shù)值較小的目標(biāo)作為不變樣本目標(biāo)；(2)構(gòu)造樣本目標(biāo)的特征矢量，選擇接收功率P、極化總功率span、Freeman散射熵Hf和各向異性參數(shù)Af作為特征量，分別對兩時(shí)相樣本目標(biāo)構(gòu)造特征矢量：kAi＝[PAi,spanAi,HfAi,AfAi]TkBi＝[PBi,spanBi,HfBi,AfBi]T式中，角標(biāo)i＝1,2,...,N；P是描述目標(biāo)極化方位角和橢圓率角信息的接收功率；span是描述目標(biāo)強(qiáng)度信息的極化總功率；Hf和Af是描述目標(biāo)散射特性差異的Freeman散射熵和各向異性參數(shù)；(3)提取最優(yōu)極化狀態(tài)。在極化橢圓率角χ和極化方位角ψ取值范圍內(nèi)計(jì)算kAi和kBi的特征相似系數(shù)，i＝1,2,...,N，選擇相似系數(shù)最大值對應(yīng)的χ和ψ值作為第i個(gè)樣本目標(biāo)的最優(yōu)極化狀態(tài)組合(χi,ψi)，依次求得N個(gè)目標(biāo)的最優(yōu)極化狀態(tài)并取平均，得到整個(gè)圖像的最優(yōu)極化狀態(tài)χopt和ψo(hù)pt，即χopt=1NΣi=1Nχi]]>ψopt=1NΣi=1Nψi]]>其中，用來描述兩目標(biāo)間相似程度的特征相似系數(shù)的定義如下：GR(kAi,kBi)=|kAiTkBi|2||kAi||22||kBi||22]]>其中，kAi和kBi分別為兩時(shí)相對應(yīng)目標(biāo)的特征矢量；||·||2表示求向量的2范數(shù)。特征相似系數(shù)數(shù)值越大，說明兩個(gè)目標(biāo)特性越相似。本發(fā)明的特點(diǎn)及有益效果是：本發(fā)明從極化狀態(tài)提取入手，提出了一種基于極化狀態(tài)提取的極化SAR圖像變化檢測方法。利用兩時(shí)相圖像中對應(yīng)的不變目標(biāo)作為樣本，提取出使其散射特性更加相似的極化狀態(tài)，以此來改善可能由于數(shù)據(jù)采集等原因?qū)е碌南嗤繕?biāo)散射特性變化的問題，算法可作為變化檢測預(yù)處理過程中的一步，以獲得更好的變化檢測結(jié)果。本發(fā)明方法可以準(zhǔn)確、有效的提取兩時(shí)相圖像中的變化區(qū)域。附圖說明：圖1給出了農(nóng)田數(shù)據(jù)的兩時(shí)相Pauli分解圖。圖2給出了本發(fā)明方法閾值分割后的結(jié)果。圖3給出了本發(fā)明提出方法的流程圖。具體實(shí)施方式本發(fā)明從最優(yōu)極化狀態(tài)提取入手，實(shí)現(xiàn)了一種基于極化狀態(tài)提取的極化SAR圖像變化檢測方法，具體的技術(shù)方案分為以下步驟：1.預(yù)處理。為了降低地物隨機(jī)取向以及相干斑噪聲對檢測結(jié)果的影響，對已配準(zhǔn)的兩時(shí)相圖像分別進(jìn)行去取向和相干斑抑制操作。2.最優(yōu)極化狀態(tài)提取。該步操作的主要目的是選擇一種最優(yōu)極化狀態(tài)，使得不同時(shí)相的相同目標(biāo)的幾何散射特性更加一致，以此獲得更好的變化檢測效果。為了提取使兩時(shí)相對應(yīng)目標(biāo)極化特性更加相似的極化狀態(tài)，首先自動選取兩時(shí)相圖像中的不變目標(biāo)作為樣本，然后構(gòu)造樣本目標(biāo)的特征矢量，緊接著尋找使得目標(biāo)特征向量相似性系數(shù)最大的極化橢圓率角和極化方位角作為該樣本目標(biāo)的最優(yōu)極化狀態(tài)，將所有樣本目標(biāo)的最優(yōu)極化狀態(tài)取平均后得到整幅圖像的最優(yōu)極化狀態(tài)組合χopt和ψo(hù)pt。3在最優(yōu)極化狀態(tài)下構(gòu)造變化檢測特征量。根據(jù)求得的χopt和ψo(hù)pt重新計(jì)算極化Kennaugh矩陣，利用極化合成公式計(jì)算兩時(shí)相對應(yīng)目標(biāo)在最優(yōu)極化狀態(tài)下的接收功率PA_opt[χopt,ψo(hù)pt]和PB_opt[χopt,ψo(hù)pt]，以B時(shí)相數(shù)據(jù)為參考，構(gòu)造比值變化檢測特征量為：F=PA_optPB_opt]]>4雙閾值分割提取變化區(qū)域。利用雙閾值判別方法對變化檢測特征量F進(jìn)行判別，得到以“0”表示不變目標(biāo)點(diǎn)、“1”表示變化目標(biāo)點(diǎn)的二值化檢測結(jié)果F′，具體判別方法如下：Fij′=01-Δx1≤Fij≤1+Δx2Fij′=1else]]>式中，Δx1、Δx2分別表示以1為中心左右兩邊的偏移量，那么兩個(gè)判別閾值可表示為T1＝1-Δx1和T2＝1+Δx2。理論上，F(xiàn)ij＝1時(shí)，說明兩時(shí)相對應(yīng)目標(biāo)無變化，但實(shí)際上，兩個(gè)目標(biāo)的接收功率完全相同的可能性是極小的，因此可以認(rèn)為以1為中心一定范圍內(nèi)的目標(biāo)都是不變目標(biāo)，故采用雙閾值判別。本發(fā)明提出了一種最優(yōu)極化狀態(tài)提取方法，其具體操作流程如下：(4)自動選擇樣本目標(biāo)。為了提取使兩時(shí)相對應(yīng)目標(biāo)極化特性更加相似的極化狀態(tài)，需要選取兩時(shí)相圖像中的不變目標(biāo)作為樣本。人工選取方法的主觀性較大，會導(dǎo)致樣本選取結(jié)果因人而異，降低算法的穩(wěn)定性，而且其自動化程度較低。針對如上問題，本發(fā)明提出了樣本目標(biāo)的自動選取方法，步驟如下：C.計(jì)算兩時(shí)相極化SAR圖像對應(yīng)目標(biāo)的極化差異度。極化差異度反映了兩個(gè)目標(biāo)的差異程度，數(shù)值越大，說明兩目標(biāo)差異越大。其定義式如下：D=(1-(<TA>||TA||F·<TB*>||TB||F))+(1-2(PA/PB+PB/PA))]]>其中，TA、TB為兩時(shí)相對應(yīng)目標(biāo)的極化相干矩陣；PA、PB為兩時(shí)相對應(yīng)目標(biāo)的總功率；上標(biāo)*表示共軛運(yùn)算；||·||F表示求矩陣的F范數(shù)；角標(biāo)A、B分別代表兩時(shí)相極化SAR圖像的標(biāo)號。D.對所有像素點(diǎn)的極化差異度進(jìn)行升序排列，選擇前N個(gè)極化差異度數(shù)值較小的目標(biāo)作為不變樣本目標(biāo)。(5)構(gòu)造樣本目標(biāo)的特征矢量。選擇接收功率P、極化總功率span、Freeman散射熵Hf和各向異性參數(shù)Af作為特征量，分別對兩時(shí)相樣本目標(biāo)構(gòu)造特征矢量：kAi＝[PAi,spanAi,HfAi,AfAi]TkBi＝[PBi,spanBi,HfBi,AfBi]T式中，角標(biāo)i＝1,2,...,N；P是描述目標(biāo)極化方位角和橢圓率角信息的接收功率；span是描述目標(biāo)強(qiáng)度信息的極化總功率；Hf和Af是描述目標(biāo)散射特性差異的Freeman散射熵和各向異性參數(shù)。(6)提取最優(yōu)極化狀態(tài)。在極化橢圓率角χ和極化方位角ψ取值范圍內(nèi)計(jì)算kAi和kBi的特征相似系數(shù)(i＝1,2,...,N)，選擇相似系數(shù)最大值對應(yīng)的χ和ψ值作為第i個(gè)樣本目標(biāo)的最優(yōu)極化狀態(tài)組合(χi,ψi)，依次求得N個(gè)目標(biāo)的最優(yōu)極化狀態(tài)并取平均，得到整個(gè)圖像的最優(yōu)極化狀態(tài)χopt和ψo(hù)pt，即χopt=1NΣi=1Nχi]]>ψopt=1NΣi=1Nψi]]>其中，用來描述兩目標(biāo)間相似程度的特征相似系數(shù)的定義如下：GR(kAi,kBi)=|kAiTkBi|2||kAi||22||kBi||22]]>其中，kAi和kBi分別為兩時(shí)相對應(yīng)目標(biāo)的特征矢量；||·||2表示求向量的2范數(shù)。特征相似系數(shù)數(shù)值越大，說明兩個(gè)目標(biāo)特性越相似。就變化檢測領(lǐng)域而言，理想情況下，兩時(shí)相極化SAR圖像中不變目標(biāo)(相同目標(biāo))的幾何散射特性應(yīng)較為相似，但由于采集條件變化等原因會導(dǎo)致目標(biāo)散射特性發(fā)生變化，使相同目標(biāo)的散射特性存在較大差異。針對此問題，本發(fā)明提出了一種基于極化狀態(tài)提取的變化檢測方法，旨在提取一種使兩時(shí)相對應(yīng)目標(biāo)極化散射特性更加相似的極化狀態(tài)，并在此最優(yōu)極化狀態(tài)下實(shí)現(xiàn)變化檢測。該方法主要包括四個(gè)步驟，分別是預(yù)處理、最優(yōu)極化狀態(tài)提取、構(gòu)造最優(yōu)極化狀態(tài)下的變化檢測特征量和雙閾值判別提取變化區(qū)域。具體實(shí)施過程如下。1.預(yù)處理。極化SAR圖像的相干斑噪聲是固有噪聲，它的存在大大降低了圖像的視覺效果，不利于后續(xù)工作的開展。因此，本發(fā)明在進(jìn)行變化檢測之前，利用2006年Lee提出的基于散射模型的降斑算法對已配準(zhǔn)的極化SAR圖像進(jìn)行相干斑抑制，以降低相干斑噪聲對實(shí)驗(yàn)結(jié)果的影響。除此之外，地表目標(biāo)的全極化散射往往受多種因素的影響，如取向、形狀、介電常數(shù)和散射機(jī)制等，而且復(fù)雜地表目標(biāo)的取向往往是隨機(jī)分布的，產(chǎn)生的回波也是隨機(jī)起伏的，這就導(dǎo)致兩類目標(biāo)的區(qū)分性減弱，也就是說，兩類本身不同特征不同取向的目標(biāo)可能產(chǎn)生類似的散射，使得兩類目標(biāo)難以區(qū)分。去取向是指去除目標(biāo)取向?qū)ι⑸涞挠绊懚怀鲲@示目標(biāo)的本質(zhì)特征，兩個(gè)不同取向而其他特征完全一樣的散射目標(biāo)，經(jīng)過該操作后其極化散射信息應(yīng)該是完全一致的。本發(fā)明利用2010年安文韜提出的去取向方法對極化SAR圖像進(jìn)行預(yù)處理，這樣可以有效避免隨機(jī)取向?qū)?shí)驗(yàn)結(jié)果的影響，增強(qiáng)實(shí)驗(yàn)結(jié)果的可靠性和準(zhǔn)確性。2.最優(yōu)極化狀態(tài)提取。該步操作的主要作用是選擇一種最優(yōu)極化狀態(tài)使得不同時(shí)相的相同目標(biāo)的幾何散射特性更加一致，以此獲得更好的變化檢測效果。為了提取使兩時(shí)相對應(yīng)目標(biāo)極化特性更加相似的極化狀態(tài)，首先自動選取兩時(shí)相圖像中的不變目標(biāo)作為樣本，然后構(gòu)造樣本目標(biāo)的特征矢量，緊接著尋找使得目標(biāo)特征向量相似性系數(shù)最大的極化橢圓率角和極化方位角作為該樣本目標(biāo)的最優(yōu)極化狀態(tài)，將所有樣本目標(biāo)的最優(yōu)極化狀態(tài)取平均得到整幅圖像的最優(yōu)極化狀態(tài)組合。其具體操作過程如下：(1)自動選擇樣本目標(biāo)。為了提取使兩時(shí)相對應(yīng)目標(biāo)極化特性更加相似的極化狀態(tài)，需要選取兩時(shí)相圖像中的不變目標(biāo)作為樣本，選取方法可分為人工選取和自動選取兩種。人工選取方法即人為選擇N個(gè)清晰、明顯的不變目標(biāo)作為樣本，但該方法的人為主觀性較大，會導(dǎo)致樣本選取結(jié)果因人而異，使算法穩(wěn)定性下降，而且自動化程度較低。針對如上問題，本發(fā)明提出了樣本目標(biāo)的自動選取方法，步驟如下：A.計(jì)算兩時(shí)相極化SAR圖像對應(yīng)目標(biāo)的極化差異度。極化差異度反映了兩個(gè)目標(biāo)的差異程度，數(shù)值越大，說明兩目標(biāo)差異越大。其定義式如下：D=(1-(<TA>||TA||F·<TB*>||TB||F))+(1-2(PA/PB+PB/PA))]]>其中，TA、TB為兩時(shí)相對應(yīng)目標(biāo)的極化相干矩陣；PA、PB為兩時(shí)相對應(yīng)目標(biāo)的總功率；上標(biāo)*表示共軛運(yùn)算；||·||F表示求矩陣的F范數(shù)；角標(biāo)A、B分別代表兩時(shí)相極化SAR圖像的標(biāo)號。該公式的前半部分是描述矩陣相關(guān)性的散射差異分量，后半部分是兩個(gè)目標(biāo)的回波功率差異分量。B.對所有像素點(diǎn)的極化差異度進(jìn)行升序排列，選擇前N個(gè)極化差異度數(shù)值較小的目標(biāo)作為不變樣本目標(biāo)。本發(fā)明中樣本目標(biāo)個(gè)數(shù)N取8。(2)構(gòu)造樣本目標(biāo)的特征矢量。選擇接收功率P、極化總功率span、Freeman散射熵Hf和各向異性參數(shù)Af作為特征量，分別對兩時(shí)相樣本目標(biāo)構(gòu)造特征矢量：kAi＝[PAi,spanAi,HfAi,AfAi]TkBi＝[PBi,spanBi,HfBi,AfBi]T式中，角標(biāo)i＝1,2,...,N；span是描述目標(biāo)強(qiáng)度信息的極化總功率；P是描述目標(biāo)極化方位角和橢圓率角信息的接收功率，其定義如下：P=k(λ,θ,φ)1cos(2χ)cos(2ψ)cos(2χ)sin(2ψ)sin(2χ)rT[K]1cos(2χ)cos(2ψ)cos(2χ)sin(2ψ)sin(2χ)t]]>其中，上標(biāo)T表示轉(zhuǎn)置運(yùn)算；χ∈[-π/4,π/4]為極化橢圓率角；ψ∈[0,π]為極化方位角；[K]為極化SAR圖像的Kennaugh矩陣；k(λ,θ,φ)可以看作一個(gè)常數(shù)，一般取1。在同極化狀態(tài)下，可以認(rèn)為接收和發(fā)射的狀態(tài)矢量相同，即[·]r＝[·]t。Hf和Af是描述目標(biāo)散射特性差異的Freeman散射熵和各向異性參數(shù)，其定義如下：Hf=-Σi=13pilog3pi]]>Af=p2-p3p2+p3]]>式中，pi＝1,2,3＝sort(px)；sort(·)為由大到小的排序函數(shù)；Px為Freeman分解后的三個(gè)散射分量的散射功率值。(3)提取最優(yōu)極化狀態(tài)。在極化橢圓率角χ和極化方位角ψ取值范圍內(nèi)計(jì)算kAi和kBi的特征相似系數(shù)(i＝1,2,...,N)，選擇相似系數(shù)最大值對應(yīng)的χ和ψ值作為第i個(gè)樣本目標(biāo)的最優(yōu)極化狀態(tài)組合(χi,ψi)，依次求得N個(gè)目標(biāo)的最優(yōu)極化狀態(tài)并取平均，得到整個(gè)圖像的最優(yōu)極化狀態(tài)χopt和ψo(hù)pt，即χopt=1NΣi=1Nχi]]>ψopt=1NΣi=1Nψi]]>其中，用來描述兩目標(biāo)間相似程度的特征相似系數(shù)的定義如下：GR(kAi,kBi)=|kAiTkBi|2||kAi||22||kBi||22]]>其中，kAi和kBi分別為兩時(shí)相對應(yīng)目標(biāo)的特征矢量；||·||2表示求向量的2范數(shù)。特征相似系數(shù)數(shù)值越大，說明兩個(gè)目標(biāo)特性越相似。3.在最優(yōu)極化狀態(tài)下構(gòu)造變化檢測特征量。根據(jù)求得的χopt和ψo(hù)pt，首先通過極化基變化公式重新計(jì)算圖像的極化相干矩陣，其公式如下：[T′]＝[U3T][T][U3T]-1U3T(2ψ,2χ,2α)=U3T(2ψ)U3T(2χ)U3T(2α)=1000cos2ψsin2ψ0-sin2ψcos2ψcos2χ0isin2χ010isinχ0cos2χcos2αisin2α0isin2αcos2α0001]]>其中，T矩陣為目標(biāo)在原始極化狀態(tài)下極化相干矩陣，T′矩陣為最優(yōu)極化狀態(tài)下的相干矩陣；χ為極化橢圓率角，ψ為極化方位角；α是絕對相位，由于其對確定極化參數(shù)并不重要，因此一般令α＝0。利用最優(yōu)極化狀態(tài)下的極化相干矩陣，計(jì)算兩時(shí)相對應(yīng)目標(biāo)的接收功率PA_opt[χopt,ψo(hù)pt]和PB_opt[χopt,ψo(hù)pt]，以B時(shí)相數(shù)據(jù)為參考，構(gòu)造比值變化檢測特征量為：F=PA_optPB_opt]]>4雙閾值分割提取變化區(qū)域。本發(fā)明以最優(yōu)極化狀態(tài)下的接收功率比值作為變化檢測特征量，它描述了兩時(shí)相對應(yīng)目標(biāo)的相似程度，數(shù)值越接近于1，目標(biāo)為不變目標(biāo)的可能性越大，反之，目標(biāo)發(fā)生變化的可能性越大。顯然，傳統(tǒng)的單一閾值分割方法是不合適的。因此，本發(fā)明提出了一種雙閾值分割方法提取變化區(qū)域。即利用雙閾值判別方法對變化檢測特征量F進(jìn)行判別，得到以“0”表示不變目標(biāo)點(diǎn)、“1”表示變化目標(biāo)點(diǎn)的二值化檢測結(jié)果F′，具體判別方法如下：Fij′=01-Δx1≤Fij≤1+Δx2Fij′=1else]]>式中，Δx1、Δx2分別表示以1為中心左右兩邊的偏移量，那么兩個(gè)判別閾值可表示為T1＝1-Δx1和T2＝1+Δx2。需要說明的是，理論上，F(xiàn)ij＝1時(shí)，說明兩時(shí)相對應(yīng)目標(biāo)無變化，但實(shí)際上，兩個(gè)目標(biāo)的接收功率完全相同的可能性是極小的，因此可以認(rèn)為以1為中心一定范圍內(nèi)的目標(biāo)都是不變目標(biāo)，故采用雙閾值判別。而且，由于變化檢測特征量數(shù)值不一定滿足均勻?qū)ΨQ分布，為了獲得更加準(zhǔn)確的檢測結(jié)果，Δx1和Δx2的取值可以不相等。下面結(jié)合附圖說明實(shí)驗(yàn)效果：圖1給出了利用美國UAVSAR系統(tǒng)在加利福尼亞州金斯縣上空采集的兩時(shí)相全極化SAR數(shù)據(jù)的Pauli分解圖，左圖采集于2011年5月19日，右圖采集于2011年5月20日。借助GoogleEarth等工具查知，該地區(qū)為加利福尼亞州的大豆主產(chǎn)區(qū)，5月中旬正是當(dāng)?shù)氐霓r(nóng)忙時(shí)節(jié)，故兩時(shí)相數(shù)據(jù)雖然僅相隔一天但也存在多處由農(nóng)作活動(如灌溉、播種以及耕作等)引起的明顯變化，圖中標(biāo)注了7處較為明顯的變化區(qū)域。圖2給出了本發(fā)明方法的變化檢測結(jié)果，從圖中可以看出，本發(fā)明方法成功的檢測到圖1中標(biāo)注的7處明顯變化的區(qū)域，而且虛警少，區(qū)域輪廓清晰、完整。當(dāng)前第1頁1 2 3