基于极化统计散射成分迁移的极化SAR影像变化检测方法技术

本公开实施例中提供了一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，属于遥感影像数据处理技术领域，具体包括：获取时序极化SAR数据，其中，时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；时序数据统计散射成分SSC特征提取；源域SSC特征和目标域SSC特征无监督域适应；源域训练模型；基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；多时相数据变化区域获取及变化类别跟踪。通过本公开的方案，将有限的标注样本在不同时相数据之间进行重复使用，以获取快速准确的地物变化检测和地物类别具体转变信息，提高了检测的效率、精准度和适应性。精准度和适应性。精准度和适应性。

【技术实现步骤摘要】
基于极化统计散射成分迁移的极化SAR影像变化检测方法


[0001]本公开实施例涉及遥感影像数据处理
，尤其涉及一种基于极化统计散射成分迁移的极化SAR影像变化检测方法。

技术介绍

[0002]目前，相比于光学遥感影像，极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,PolSAR)通过主动微波成像能全天时、全天候、大幅面获取地表极化散射信息，能有效克服多云多雨区域成像信息缺失以及云雨烟雾光照等因素的影响，为土地覆盖变化监测应用提供散射信息全面的数据基础。随着国内外诸多PolSAR系统陆续投入生产应用，Sentinel
‑
1、TerraSAR
‑
X、RadarSat
‑
2、ALOS
‑
2/PALSAR
‑
2等星载系统及Pi
‑
SAR、UAVSAR等机载系统，都积累了大量时序PolSAR数据。近年来，高分三号(GF
‑
3)、陆地探测一号系列卫星的成功发射标志着我国PolSAR系统也呈现多通道、多观测角、高时相、高分辨率等发展态势。海量PolSAR影像的累积为土地覆盖变化监测提供了有效数据支持的同时，人工标注样本低效性和时序数据异质性也对PolSAR影像解译模式提出了新的挑战。
[0003]由于成像参数及地物分布朝向等差异，在不同时相甚至同一PolSAR影像内同类地物散射特性存在分布偏差，这种散射特征“同质异谱”导致极化特征分布偏移，至今仍制约机器学习对大规模PolSAR影像解译的应用。传统监督学习方法无法克服这种特征偏移，需要对不同时相数据单独标注样本才能获取地物解译信息。另一方面，SAR影像样本标注通常需要专家知识且耗时费力，基于监督机器学习的解译方法依赖大量同质标注样本，严重制约了长时序PolSAR影像的解译效率和变化信息准确跟踪应用。同一地区时序数据可能来自于不同传感器，由于标注样本受限，降低了新近时序PolSAR数据解译时效性，不利于快速准确解译地物覆盖变化监测信息。此外，传统以双帧比较为主的变化检测，通常聚焦是否发生变化的单一检测，缺少具体的地物覆盖类别变化信息，难以满足精细化土地覆盖变化监测应用需求。因此，时序PolSAR面临的大数据小样本和特征域分布偏移问题对传统的变化监测模式提出了新挑战。
[0004]可见，亟需一种检测效率、精准度和适应性强的基于极化统计散射成分迁移的极化SAR影像变化检测方法。迁移学习作为可实现不同时相影像模型知识和标注样本迁移复用的有效途径，逐渐受到关注；如何利用迁移学习思想，使有限标注样本或模型知识对新近无标注PolSAR发挥迁移训练作用，从而提高时序PolSAR变化监测效率和精度，是当前的研究热点及难点之一。然而，由于成像特殊性和参数复杂性，针对自然和光学影像的迁移模型难以直接适配于PolSAR影像，亟需研究适配极化特性的迁移学习模型以提升时序PolSAR解译泛化性和时效性。鉴于极化散射机理模型对不同波段不同源PolSAR数据的建模泛化能力，以及迁移学习模型对异源数据内在模式和规律的统一表达能力，本专利专利技术一种基于极化统计散射成分迁移的极化SAR影像变化检测方法。本专利旨在实现将有限的标注样本在不同时相数据之间进行重复使用，以获取快速准确的地物变化检测和地物类别具体转变信息。

技术实现思路

[0005]有鉴于此，本公开实施例提供一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，可以克服时序PolSAR数据之间的分布偏移，进而将有限的标注样本在更多的时序PolSAR数据变化解译中发挥作用。本专利技术有利于解决现有技术中存在检测效率、精准度和适应性较差的问题。
[0006]本公开实施例提供了一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，包括：
[0007]步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；
[0008]步骤2，时序数据统计散射成分SSC特征提取；
[0009]步骤3，源域SSC特征和目标域SSC特征无监督域适应；
[0010]步骤4，源域训练模型；
[0011]步骤5，基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；
[0012]步骤6，多时相数据变化区域获取及变化类别跟踪。
[0013]根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
[0014]提取源域S的标注样本的统计散射成分特征F
S
和目标域T的无标注数据的统计散射成分特征F
T
。
[0015]根据本公开实施例的一种具体实现方式，所述步骤2还包括：
[0016]步骤2.1，提取源域S的标注样本和目标域T的无标注数据的基础极化特征；
[0017]步骤2.2，将源域S的标注样本的基础极化特征和目标域T的无标注数据的基础极化特征进行Wishart聚类，得到初始化的每个像素的分类结果；
[0018]步骤2.3，统计全部像素的初始类别直方图，直方图的维数对应分类类别数目；
[0019]步骤2.4，根据直方图获取本征维度估计，并结合主成分分析将高维度的子块聚类标号直方图统计特征降维为保留本征信息的低维特征，形成统计散射成分特征F
S
和统计散射成分特征F
T
。
[0020]根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
[0021]利用无监督域适应方法将统计散射成分特征F
S
和统计散射成分特征F
T
的特征分布调整为一致，得到源域对齐特征Fs*。
[0022]根据本公开实施例的一种具体实现方式，所述步骤4具体包括：
[0023]利用已有的源域标签Y
S
和源域对齐特征Fs*训练分类器分类模型W。
[0024]根据本公开实施例的一种具体实现方式，所述步骤5具体包括：
[0025]利用训练好的分类器模型W直接对无标注的目标域特征F
T
进行分类。
[0026]根据本公开实施例的一种具体实现方式，所述步骤6具体包括：
[0027]对于分类结果，基于预先配准或者地理编码信息，将时序影像解译结果的变化信息进行定位，结合变化区域位置检测类别变化信息。
[0028]本公开实施例中的基于极化统计散射成分迁移的极化SAR影像变化检测方案，包括：步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；步骤2，时序数据统计散射成分SSC特征提取；步骤3，源域SSC特征和目标域SSC特征无监督域适应；步骤4，源域训练模型；
步骤5，基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；步骤6，多时相数据变化区域获取及变化类别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，其特征在于，包括：步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；步骤2，时序数据统计散射成分SSC特征提取；步骤3，源域SSC特征和目标域SSC特征无监督域适应；步骤4，源域训练模型；步骤5，基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；步骤6，多时相数据变化区域获取及变化类别跟踪。2.根据权利要求1所述的方法，其特征在于,所述步骤2具体包括：提取源域S的标注样本的统计散射成分特征F
S
和目标域T的无标注数据的统计散射成分特征F
T
。3.根据权利要求2所述的方法，其特征在于,所述步骤2还包括：步骤2.1，提取源域S的标注样本和目标域T的无标注数据的基础极化特征；步骤2.2，将源域S的标注样本的基础极化特征和目标域T的无标注数据的基础极化特征进行Wishart聚类，得到初始化的每个像素的分类结果；步骤2.3，统计全部像素的初始类别直方图，直方图...

【专利技术属性】
技术研发人员：桂容，胡俊，吴文清，辜畅，
申请(专利权)人：中南大学，
类型：发明
国别省市：