基于样本自标定ELM的在轨SAR图像变化检测方法技术

本发明专利技术提出了一种基于样本自标定ELM的在轨SAR图像变化检测方法，提升了检测精度，扩大了方法的实际应用范围。步骤包括：对两幅配准相的SAR图像对，计算获得对数差分图DI；用PCA获取DI的主分量；利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域；从中提取部分样本的邻域特征，将其作为训练样本训练ELM；将待检测的对数差分图中每个样本的邻域送入训练好的ELM中，获得变化检测结果图。本发明专利技术从待检测差分图中自动提取训练样本，消除了训练数据对方法检测能力的限制，扩大了方法的实际应用范围，避免了人工的参与，降低了噪声的干扰，提升了方法的检测正确率，具备稳定可靠的检测能力。

【技术实现步骤摘要】
基于样本自标定ELM的在轨SAR图像变化检测方法
本专利技术属于图像检测
，主要涉及SAR图像变化检测，具体是一种基于样本自标定ELM的在轨SAR图像变化检测方法。用于对卫星拍摄的SAR图像进行实时在轨变化检测。
技术介绍
合成孔径雷达(SAR)是一种高分辨率成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。由于其优异的特性，合成孔径雷达已经被广泛应用于工农业生产、城市监控、军事和科研等领域。基于SAR的图像变化检测是对同一地区不同时间的两幅图像进行比对分析，辨别出图像间的差异并以此得到需要的目标或地形的变化信息。现如今，随着全球城市的快速发展和环境的剧烈变化，及时掌握需要的变化信息变得越来越急迫。结合SAR图像的优异特性的变化检测方法，为快速获得目标区域的变化信息提供了需要的的技术支持和应急保障。在轨的SAR的图像变化检测，主要基于两种检测思路：(1)无监督的SAR图像变化检测，该方法提取图像中的相似特征进行分析聚类，最终获得变化信息；(2)有监督的SAR图像变化检测方法，该方法事先利用有标签的样本对检测算法进行训练，再将需要进行变化检测的SAR图像送入算法中获得变化区域的检测。由于不能利用标签样本的有效信息，无监督的在轨变化检测方法在检测精度和鲁棒性方面有待进一步提高。有监督的在轨SAR变化检测需要在地面用大量的实际数据信息训练网络后再送到星上进行检测分类变化区域。基于这种思想实现的检测方法虽然免去了在星上进行网络参数训练的过程，一定程度上提升了检测方法的速度，但是由于训练数据信息的稀缺且昂贵，并且星上检测方法的网络参数固定，使得此类方法在面对不同幅宽不同分辨率以及不同成像方式的目标区域的数据时，其检测质量受到很大程度的波动，比如成像方式是单视或四视，检测结果存在不稳定性，严重限制了检测方法的实际应用。综上，无监督的在轨SAR图像变化检测方法的检测精度和鲁棒性不够理想；有监督的在轨SAR图像变化检测方法需要的训练数据需要人工对其标注，不能灵活应用于不同成像方式，检测结果因分辨率及成像方式的不同而存在不稳定性。现有的在轨SAR图像的变化检测方法因具有广泛的应用价值急需不断探索与改进。
技术实现思路
本专利技术的目的是针对现有在轨检测方法的应用局限性，提出了一种自动提取训练样本，检测结果更加稳定的基于样本自标定ELM的在轨SAR图像变化检测方法。本专利技术是一种基于样本自标定ELM的在轨SAR图像变化检测方法，其特征是：直接在卫星上对配准后的SAR图像对进行变化检测，并包括以下步骤：步骤101：开始基于样本自标定ELM的在轨变化检测。步骤102：对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X1和X2作对数比值法计算，获得对数差分图DI。步骤103：使用主成份分析法(PCA)获取对数差分图前99％的主要分量。步骤104：设计样本自标定策略，利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域。步骤105：从严格变化区域和严格未变化区域中按序提取部分样本的邻域特征作为训练样本，训练极速学习机ELM的网络参数。步骤106：将待检测的对数差分图中每个样本的邻域特征送入训练好的ELM中，获得目标区域的变化检测结果。步骤107：完成基于样本自标定ELM的在轨SAR图像变化检测。本专利技术与现有技术相比具有下列有益的效果：1、本专利技术使用PCA对对数差分图进行主成份提取，降低了图像的特征维度，减少了噪声像素对方法的干扰，在确保算法的时效性的基础上提升了算法的抗噪性。2、本专利技术自动提取训练样本，提出了独特的样本自标定策略，通过利用FCM聚类算法获取的样本聚类中心，结合候选样本的邻域特征，自动地提取出了所需要的变化样本数据和未变化样本数据，避免了标记样本的人工提取。3、本专利技术采用了计算速度快、计算结果优良的单隐层前馈神经网络——ELM来最终分类变化像素和未变化像素，提升了方法的检测速度和检测质量。4、仿真实验表明，本专利技术采用的基于样本自标定ELM实现的在轨SAR图像变化检测，其从待检测SAR图像中实时的提取训练样本，可以灵活的应对不同场景的检测需求，即不同分辨率及不同成像方式的SAR数据，不仅保证了稳定的检测质量，且适用性更广泛；在确保了检测速度的同时具备优异的检测结果。附图说明图1是基于样本自标定ELM的在轨SAR图像变化检测方法的主流程图；图2是严格变化样本的选取策略图，图中的白色块表示候选的变化像素，灰色块表示未知类别像素，图2(a)-2(d)给出了中心像素为候选变化像素，选择其为严格变化像素时的邻域像素分布的四个具体实例；图3是严格未变化样本的选取策略图，图中的黑色块表示候选的未变化像素，灰色块表示未知类别像素，图3(a)-3(d)给出了中心像素为候选未变化像素，选择其为严格未变化像素时的邻域像素分布的四个实例；图4是第一组实验仿真图，是同一地区不同时间下拍摄的SAR图像，大小均为301×301，其中图4(a)的拍摄时间为1999年4月，图4(b)的拍摄时间为1999年5月；图5是对应图4中第一组实验仿真图的变化检测结果对比，其中图5(a)是检测参考图，图5(b)是本专利技术得到的变化检测结果图，图5(c)是CKLD方法(theCumulant-basedKullback-LeiblerDivergencemethod)的变化检测结果图；图6是第二组实验仿真图，是同一地区不同时间下拍摄的SAR图像，大小均为290×350，其中图6(a)的拍摄时间为1997年5月，图6(b)的拍摄时间为1997年8月；图7是对应图6中第二组实验仿真图的变化检测结果对比，其中图7(a)是变化检测参考图，图7(b)是本专利技术得到的变化检测结果图，图7(c)是CKLD方法的变化检测结果图。具体实施方式下面结合附图对本专利技术详细说明。实施例1有监督的在轨SAR图像变化检测方法受限于大量人工标注的数据，而采用地面训练数据、星上检测的方式不能稳定地应用于不同成像方式及分辨率的SAR图像数据。针对此现状，本专利技术展开了探索与改进，提出一种基于样本自标定ELM的在轨SAR图像变化检测方法。参见图1：本专利技术直接在卫星上对配准后的SAR图像对进行变化检测，具体包括有以下步骤：步骤101：开始基于样本自标定ELM的在轨变化检测。步骤102：对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X1和X2，其中图像X1表示同一地区第一时相的SAR图像，X2表示同一地区第二时相的SAR图像。对图像对X1和X2作对数比值法计算，获得对数差分图DI。步骤103：获取对数差分图的主分量：使用主成份分析法(PCA)获取对数差分图前99％的主要分量。步骤104：设计样本自标定策略：对获得的对数差分图的主分量进行FCM聚类分析，获得对数差分图主分量的两个样本聚类中心c1和c2。c1代表第一类样本的聚类中心，该类样本的灰度值较低；c2代表第二类样本的聚类中心，该类样本的灰度值较高。根据获得的两个样本聚类中心c1和c2，利用样本邻域特征获得该SAR图像的严格变化像素和严格未变化像素。所有严格变化像素构成严格变化区域，所有严格未变化像素构成严格未变化区域。本专利技术通过划分严格区域的划分，不仅能保证检测精度，也避免了训练样本文档来自技高网...

【技术保护点】
一种基于样本自标定ELM的在轨SAR图像变化检测方法，其特征是：直接在卫星上对配准后的SAR图像对进行变化检测，并包括以下步骤：步骤101：开始基于样本自标定ELM的在轨变化检测；步骤102：对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X1和X2作对数比值法计算，并作归一化处理，获得归一化后的对数差分图DI；步骤103：获取归一化后对数差分图的主分量：使用主成份分析法获取对数差分图前99％的主要分量；步骤104：设计样本自标定策略，利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域；步骤105：从严格变化区域和严格未变化区域中按序提取部分样本作为训练样本，训练极速学习机ELM；步骤106：将待检测的对数差分图中每个样本的5×5邻域特征送入训练好的ELM中，获得目标区域的变化检测结果；步骤107：完成样本自标定ELM的在轨SAR图像变化检测。

【技术特征摘要】
1.一种基于样本自标定ELM的在轨SAR图像变化检测方法，其特征是：直接在卫星上对配准后的SAR图像对进行变化检测，并包括以下步骤：步骤101：开始基于样本自标定ELM的在轨变化检测；步骤102：对从雷达拍摄的两幅配准后的同一地区但不同时相的SAR图像对X1和X2作对数比值法计算，并作归一化处理，获得归一化后的对数差分图DI；步骤103：获取归一化后对数差分图的主分量：使用主成份分析法获取对数差分图前99％的主要分量；步骤104：设计样本自标定策略，利用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域；步骤105：从严格变化区域和严格未变化区域中按序提取部分样本作为训练样本，训练极速学习机ELM；步骤106：将待检测的对数差分图中每个样本的5×5邻域特征送入训练好的ELM中，获得目标区域的变化检测结果；步骤107：完成样本自标定ELM的在轨SAR图像变化检测。2.根据权利要求1所述的基于样本自标定ELM的在轨SAR图像变化检测方法，其特征是：步骤103所述的获取归一化后的对数差分图的主分量，包括如下步骤：步骤301：开始使用主成份分析PCA提取归一化后的对数差分图的主分量；步骤302：将归一化后的对数差分图分割成若干个互不重叠的图像块，每个图像块的大小为5×5；步骤303：将分割后的所有图像块拉成列向量，调用PCA保留其99％的信息；步骤304：将拉成列向量的块复原，获得归一化后的对数差分图的主要分量；步骤305：结束使用主成份分析提取归一化后对数差分图的主分量。3.根据权利要求1所述的基于样本自标定ELM的在轨SAR图像变化检测方法，其特征是：步骤104所述的设计样本自标定策略，用样本自标定策略获得归一化后对数差分图的主分量的严格变化区域和严格未变化区域，包括如下步骤：步骤401：开始样本自标...

【专利技术属性】
技术研发人员：杨淑媛，焦李成，李剑，马晶晶，刘志，李倩兰，马宏斌，邢颖慧，冯志玺，张凯，王士刚，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61