基于極化狀態(tài)提取的極化SAR圖像變化檢測(cè)算法

韓　萍, 叢潤(rùn)民,2, 張?jiān)诩?/p>

(1. 中國(guó)民航大學(xué)智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室, 天津 300300;

2. 天津大學(xué)電子信息工程學(xué)院, 天津 300072)

?

基于極化狀態(tài)提取的極化SAR圖像變化檢測(cè)算法

韓萍1, 叢潤(rùn)民1,2, 張?jiān)诩?

(1. 中國(guó)民航大學(xué)智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室, 天津 300300;

2. 天津大學(xué)電子信息工程學(xué)院, 天津 300072)

摘要：極化合成孔徑雷達(dá)(polarimetric synthetic aperture radar, PolSAR)圖像中同一目標(biāo)在不同時(shí)相下的散射特性會(huì)因數(shù)據(jù)采集條件的變化而發(fā)生變化,從而影響變化檢測(cè)結(jié)果的正確性。針對(duì)這一問(wèn)題,提出了一種基于極化狀態(tài)提取的極化SAR圖像變化檢測(cè)算法。首先利用不變樣本目標(biāo)提取圖像的最優(yōu)極化狀態(tài),并將此極化狀態(tài)下的接收功率比值作為變化檢測(cè)特征量,最后利用雙閾值判別方法提取變化區(qū)域?qū)崿F(xiàn)變化檢測(cè)。利用美國(guó)UAVSAR系統(tǒng)采集的全極化SAR實(shí)測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果表明,本文算法能有效檢測(cè)出地物的變化情況,且檢測(cè)虛警少、輪廓清晰。

關(guān)鍵詞：極化合成孔徑雷達(dá)圖像; 變化檢測(cè); 極化狀態(tài); 相干矩陣

0引言

合成孔徑雷達(dá)(synthetic aperture radar, SAR)圖像變化檢測(cè)是一種通過(guò)對(duì)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(cè)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(píng)估等眾多領(lǐng)域。近年來(lái),極化合成孔徑雷達(dá)(polarimetric synthetic aperture radar,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(lèi)以及檢測(cè)提供了有力的數(shù)據(jù)支持,也為變化檢測(cè)技術(shù)提供了一個(gè)新的研究方向。

經(jīng)過(guò)多年的發(fā)展,單極化SAR圖像的變化檢測(cè)技術(shù)已逐漸成熟,其新成果也不斷涌現(xiàn)[1-2],學(xué)科的交叉發(fā)展也使一些舊理論得到了新應(yīng)用。如文獻(xiàn)[3]將聯(lián)合稀疏表示理論應(yīng)用到SAR圖像變化檢測(cè)中,提高了算法的魯棒性。文獻(xiàn)[4]將熱學(xué)中的熱核理論引入變化檢測(cè),通過(guò)提取熱核不變量來(lái)判斷目標(biāo)區(qū)域變化與否,有效降低了矩陣的擾動(dòng)性。與之相比,針對(duì)PolSAR圖像的變化檢測(cè)算法研究進(jìn)展相對(duì)緩慢,其中比較典型的算法有:極化似然比變化檢測(cè)算法[5]、最優(yōu)極化理論變化檢測(cè)算法[6]等。文獻(xiàn)[5]在地物目標(biāo)的極化協(xié)方差矩陣滿(mǎn)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(duì)應(yīng)地物目標(biāo)差異程度的變化檢測(cè)特征量,以此實(shí)現(xiàn)變化檢測(cè)并獲得較好的檢測(cè)效果。但真實(shí)場(chǎng)景中的地物散射特性往往較為復(fù)雜,有時(shí)無(wú)法滿(mǎn)足該條件,這使得算法的通用性受到了限制;文獻(xiàn)[6]則通過(guò)最大化變化區(qū)域與不變區(qū)域的對(duì)比度來(lái)確定一組最優(yōu)極化狀態(tài),以提高變化檢測(cè)的正確率。除此之外,文獻(xiàn)[7-8]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(cè);文獻(xiàn)[9]利用二叉樹(shù)理論提取圖像均值區(qū)域,進(jìn)而對(duì)不同時(shí)相的同一均值區(qū)域進(jìn)行變化檢測(cè);文獻(xiàn)[10]提出一種新的適用于變化檢測(cè)的極化距離測(cè)度,實(shí)測(cè)數(shù)據(jù)驗(yàn)證了算法的有效性。

本文算法借鑒文獻(xiàn)[7]中極化狀態(tài)構(gòu)造的思想,利用兩時(shí)相圖像中對(duì)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(lái)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(wèn)題,算法可作為變化檢測(cè)預(yù)處理過(guò)程中的一步,以獲得更好的變化檢測(cè)結(jié)果。首先利用自動(dòng)樣本目標(biāo)選擇方法選取不變目標(biāo)作為樣本,然后構(gòu)造樣本目標(biāo)的特征矢量,提取出使特征矢量相似性最大的極化狀態(tài)作為圖像的最優(yōu)極化狀態(tài),緊接著,以此極化狀態(tài)下的接收功率比值作為變化檢測(cè)特征量,并利用雙閾值判別法提取變化區(qū)域,實(shí)現(xiàn)變化檢測(cè)。最后利用美國(guó)UAVSAR系統(tǒng)在加利福尼亞州上空采集的農(nóng)田數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證和分析。

1極化合成理論

1.1PolSAR數(shù)據(jù)表征

PolSAR數(shù)據(jù)有多種矩陣描述形式,如極化散射矩陣S、Stokes矩陣K、極化協(xié)方差矩陣C和極化相干矩陣T等,通常采用極化相干矩陣T來(lái)表征目標(biāo)的變極化效應(yīng),其表達(dá)形式[11]如下:

其中,Tij是極化相干矩陣T的元素;上標(biāo)*表示共軛運(yùn)算;A0、B0、B、C、D、E、F、G、H是Huynen分解的9個(gè)參數(shù)。

由Huynen分解的9個(gè)參數(shù)所定義的單站后向散射體制下的Kennaugh矩陣K的表達(dá)形式[11]如下:

目標(biāo)在不同極化狀態(tài)下的相干矩陣T是不同的,利用極化基變換公式[11]可以實(shí)現(xiàn)原始極化狀態(tài)下T矩陣到新極化狀態(tài)下T′矩陣的轉(zhuǎn)變,具體公式如下:

(1)

1.2極化合成

根據(jù)目標(biāo)的散射矩陣可以計(jì)算在發(fā)射和接收天線任意極化組合下接收到的回波功率,這種技術(shù)叫做極化合成[12]。通過(guò)該技術(shù),可以求得任意目標(biāo)(已知其極化散射特性)的接收功率,其計(jì)算公式[12]如下:

(2)

2本文算法

在對(duì)同一地區(qū)進(jìn)行多次數(shù)據(jù)采集時(shí),變化的采集條件等因素,可能導(dǎo)致不同時(shí)相圖像中的同一地物目標(biāo)表現(xiàn)出不同的散射特性,如果直接利用這些極化信息進(jìn)行變化檢測(cè)將可能導(dǎo)致誤判。針對(duì)此問(wèn)題,本文提出了一種基于極化狀態(tài)提取的變化檢測(cè)算法,旨在提取一種使兩時(shí)相對(duì)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(cè)。算法主要包括4大部分:第1部分為預(yù)處理,主要對(duì)兩時(shí)相圖像進(jìn)行配準(zhǔn)、相干斑抑制和去取向等操作;第2部分利用不變樣本目標(biāo)提取最優(yōu)極化狀態(tài),是本文算法的關(guān)鍵;第3部分為構(gòu)造最優(yōu)極化狀態(tài)下的變化檢測(cè)特征量;第4部分進(jìn)行雙閾值判別,提取變化區(qū)域。具體流程如圖1所示。

圖1　本文算法流程圖

本文算法的具體步驟如下:

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(duì)檢測(cè)結(jié)果的影響,對(duì)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。

步驟 2自動(dòng)選擇樣本目標(biāo)。為了提取使兩時(shí)相對(duì)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(dòng)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(huì)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(dòng)化程度較低。針對(duì)如上問(wèn)題,本文提出了樣本目標(biāo)的自動(dòng)選取方法,步驟如下:

步驟 2.1計(jì)算兩時(shí)相極化SAR圖像對(duì)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(shuō)明兩目標(biāo)差異越大。其定義式[13]如下:

(3)

式中,TAij，TBij為兩時(shí)相對(duì)應(yīng)目標(biāo)的極化相干矩陣;PAij，PBij為兩時(shí)相對(duì)應(yīng)目標(biāo)的總功率;‖·‖F(xiàn)表示求矩陣的F范數(shù);角標(biāo)i、j分別代表圖像的行列坐標(biāo)。式(3)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。

步驟 2.2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)。

步驟 3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(duì)兩時(shí)相樣本目標(biāo)構(gòu)造特征矢量

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(計(jì)算公式見(jiàn)式(2));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)[14-15],其定義如下:

(4)

(5)

式中,kAi和kBi分別為兩個(gè)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(shuō)明兩個(gè)目標(biāo)特性越相似。

步驟 6變化檢測(cè)。利用雙閾值判別方法對(duì)變化檢測(cè)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(cè)結(jié)果F′,具體判別方法如下:

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T(mén)1=1-Δx1和T2=1+Δx2。需要說(shuō)明的是,理論上,Fij=1時(shí),說(shuō)明兩時(shí)相對(duì)應(yīng)目標(biāo)無(wú)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(cè)特征量數(shù)值不一定滿(mǎn)足均勻?qū)ΨQ(chēng)分布,為了獲得更加準(zhǔn)確的檢測(cè)結(jié)果,Δx1和Δx2的取值可以不相等。

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)數(shù)據(jù)簡(jiǎn)介

本文利用美國(guó)UAVSAR系統(tǒng)采集的全極化SAR農(nóng)田數(shù)據(jù)對(duì)算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證,數(shù)據(jù)的相關(guān)參數(shù)如表1所示。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明顯變化(主要由農(nóng)作活動(dòng)引起,如灌溉、播種以及耕作等)。實(shí)驗(yàn)數(shù)據(jù)的Pauli分解圖如圖2所示,圖中標(biāo)出了7處較為明顯的變化區(qū)域。

圖2　農(nóng)田數(shù)據(jù)的兩時(shí)相Pauli分解圖

3.2實(shí)驗(yàn)結(jié)果

本文采用改進(jìn)的去取向算法[16-17]和基于散射模型的相干斑抑制算法[18]對(duì)圖像進(jìn)行預(yù)處理,樣本目標(biāo)個(gè)數(shù)N取8。根據(jù)第2節(jié)流程圖求得的樣本目標(biāo)坐標(biāo)及最優(yōu)極化狀態(tài)如表2所示。經(jīng)實(shí)驗(yàn)確定的雙閾值分別為T(mén)1=0.71和T2=2.24,檢測(cè)結(jié)果如圖3所示。為了便于比較分析,將極化似然比算法[5]的實(shí)驗(yàn)結(jié)果示于圖4。本文算法以最優(yōu)極化狀態(tài)下的接收功率比值作為變化檢測(cè)特征量,它描述了兩時(shí)相對(duì)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。而極化似然比算法的變化檢測(cè)特征量表征的是兩時(shí)相對(duì)應(yīng)目標(biāo)的差異程度,其數(shù)值越大,目標(biāo)發(fā)生變化的可能性就越大,反之,目標(biāo)變化的可能性越小。

表2　極化狀態(tài)提取統(tǒng)計(jì)表

圖3　本文算法實(shí)驗(yàn)結(jié)果

圖4　極化似然比算法實(shí)驗(yàn)結(jié)果

直觀比較圖3、圖4的實(shí)驗(yàn)結(jié)果可以看出,兩種算法都可以檢測(cè)到圖2中標(biāo)注的7處明顯變化的區(qū)域,但本文算法的虛警更少(見(jiàn)圖4中實(shí)線方框區(qū)域),且區(qū)域輪廓更加清晰、完整(見(jiàn)圖4中橢圓框區(qū)域)。但本文算法未檢測(cè)出圖4虛線方框中的區(qū)域,主要因?yàn)樵搮^(qū)域變化可能由圖像采集噪聲引起,且兩時(shí)相功率較為接近,因此對(duì)功率比值判別特征不敏感,無(wú)法將其判為變化區(qū)域。從算法原理上講,極化似然比算法是在地物目標(biāo)的極化協(xié)方差矩陣滿(mǎn)足Wishart分布的條件下得到的,但真實(shí)場(chǎng)景中的地物散射特性往往較為復(fù)雜,有時(shí)無(wú)法滿(mǎn)足該條件,這使得算法的通用性受到了限制,而本文算法并無(wú)此類(lèi)約束限制條件。

除了主觀定性分析外,還可以利用漏警率、虛警率和總錯(cuò)誤率[19]以及Kappa系數(shù)[20-21]等指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行定量分析。通常情況下,真實(shí)的土地利用圖往往很難得到,故本文參照文獻(xiàn)[19]的方法,采用隨機(jī)采樣的方式選取了變化類(lèi)型的2 331個(gè)無(wú)偏觀測(cè)樣本點(diǎn)和非變化類(lèi)型的11 800個(gè)無(wú)偏觀測(cè)樣本點(diǎn)代替真實(shí)的土地利用圖進(jìn)行精度評(píng)價(jià),結(jié)果如表3所示。從表3可以看出,精度評(píng)價(jià)指標(biāo)有效證實(shí)了主觀評(píng)價(jià)中虛警少的結(jié)論,而且本文算法的Kappa系數(shù)明顯高于極化似然比算法,一致性更好,更加驗(yàn)證了算法的有效性與可靠性。

表3　精度評(píng)價(jià)

4結(jié)論

本文從極化狀態(tài)入手,提出了一種基于極化狀態(tài)提取的PolSAR圖像變化檢測(cè)算法。對(duì)于極化狀態(tài)的提取方法,本文以使兩時(shí)相不變目標(biāo)的散射特性更加相似為原則,通過(guò)多個(gè)自動(dòng)選取的不變樣本目標(biāo)提取出具有典型意義的PolSAR圖像最優(yōu)極化狀態(tài)。在此最優(yōu)極化狀態(tài)下,將接收功率比值作為變化檢測(cè)特征量,然后利用雙閾值判別方法實(shí)現(xiàn)變化區(qū)域提取。實(shí)測(cè)農(nóng)田數(shù)據(jù)也驗(yàn)證了本文方法的有效性。但利用接收功率比值法構(gòu)造檢測(cè)特征量相對(duì)簡(jiǎn)單,可能會(huì)導(dǎo)致對(duì)功率變化不敏感的變化區(qū)域無(wú)法檢測(cè)出來(lái),今后還需進(jìn)一步研究改進(jìn)。

參考文獻(xiàn)：

[1] Liu Y, Kou W D, Mu C H. Change detection for SAR images based on fuzzy clustering using multilevel thresholding[J].JournalofXidianUniversity(NaturalScienceEdition),2013,40(6):13-18.(劉逸,寇衛(wèi)東,慕彩紅.結(jié)合多閾值法的模糊聚類(lèi)用于SAR圖像變化檢測(cè)[J].西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,40(6):13-18.)

[2] Wang F, Wu Y, Zhang Q, et al. Unsupervised change detection on SAR images using triplet Markov field model[J].IEEETrans.onGeoscienceandRemoteSensing,2013,10(4):697-701.

[3] Li W, Chen J Y, Yang P, et al. Multitemporal SAR images change detection based on joint sparse representation of pair dictionaries[C]∥Proc.oftheIEEEGeoscienceandRemoteSensingSymposium(IGARSS), 2012: 6165-6168.

[4] Luo W, Lin W, Wen J H. Change detection based on region heat kernel invariants for SAR image[J].JournalofAstronautics, 2011, 32(11): 2410-2416. (羅灣, 林偉, 溫金環(huán). 基于區(qū)域熱核不變量的SAR圖像變化檢測(cè)[J].宇航學(xué)報(bào), 2011, 32(11): 2410-2416.)

[5] Conradsen K, Nielsen A A, Schou J, et al. A test statistic in the complex Wishart distribution and its application to change detection in polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing, 2003, 41(1): 4-19.

[6] Hao H M, Zhang Y H. The application of optimal polarization theory in polarimetric SAR change detection[C]∥Proc.oftheInternationalConferenceonMultimediaTechnology(ICMT), 2010: 1-3.

[7] Qong M. Polarization state conformation and its application to change detection in polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing, 2004, 1(4): 304-308.

[8] Qong M. Coherence optimization using the polarization state conformation in polInSAR[J].IEEETrans.onGeoscienceandRemoteSensing, 2005, 2(3): 301-305.

[9] Alonso-Gonzalez A, Lopez-Martinez C. PolSAR time series temporal change detection and analysis with binary partition trees[C]∥Proc.oftheIEEEGeoscienceandRemoteSensingSymposium(IGARSS), 2013: 2321-2324.

[10] Zhang Y H, Zhang X F, Fu J, et al. A SAR change detection method based on polarimetric distance measure[J].ActaGeodaeticaetCartographicaSinica,2014,43(2):143-149.(張永紅,張現(xiàn)峰,付姣,等.一種基于極化距離測(cè)度的SAR變化檢測(cè)方法[J].測(cè)繪學(xué)報(bào),2014,43(2):143-149.)

[11] Lee J S, Pottier E.Polarimetricradarimaging:frombasicstoapplications[M].Florida: CRC Press, 2009: 66-85.

[12] Wang C, Zhang H, Chen X, et al.FullpolarimetricSARimageprocessing[M].Beijing:Science Press,2008.(王超,張紅,陳曦,等.全極化合成孔徑雷達(dá)圖像處理[M].北京:科學(xué)出版社,2008.)

[13] Wang W G, Wang J, Mao S Y. Classification of polarimetric SAR images based on difference degree[J].JournalofElectronics&InformationTechnology,2006,28(11):2007-2010.(王文光,王俊,毛士藝.一種基于差異度的極化SAR圖像迭代分類(lèi)方法[J].電子與信息學(xué)報(bào),2006,28(11):2007-2010.)

[14] Lang F K, Yang J, Zhao L L, et al. Polarmetric SAR data classification with Freeman entropy and anisotropy analysis[J].ActaGeodaeticaetCartographicaSinica, 2012, 41(4): 556-562.(郎豐鎧,楊杰,趙伶俐,等.基于Freeman散射熵和各向異性度的極化SAR影像分類(lèi)算法研究[J].測(cè)繪學(xué)報(bào),2012,41(4):556-562.)

[15] Wang S, Liu K, Pei J J, et al. Unsupervised classification of fully polarimetric SAR images based on scattering power entropy and copolarized ratio[J].IEEETrans.onGeoscienceandRemoteSensing, 2013, 10(3): 622-626.

[16] An W T, Cui Y, Yang J. Three-component model-based decomposition for polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing, 2010, 48(6): 2732-2739.

[17] Lee J S, Ainsworth T L. The effect of orientation angle compensation on coherency matrix and polarimetric target decompositions[J].IEEETrans.onGeoscienceandRemoteSensing, 2011, 49(1): 53-57.

[18] Lee J S, Grunes M R, Schuler D L, et al. Scattering-model-based speckle filtering of polarimetric SAR data[J].IEEETrans.onGeoscienceandRemoteSensing,2006,44(1):176-187.

[19] Hao H M, Zhang Y H, Shi H Y, et al. Application of test statistic method in fully polarimtric SAR change detection[J].JournalofRemoteSensing,2012,16(3):529-530.(郝洪美,張永紅,石海燕,等.統(tǒng)計(jì)假設(shè)檢驗(yàn)方法在全極化SAR變化檢測(cè)中的應(yīng)用[J].遙感學(xué)報(bào),2012,16(3):529-530.)

[20] Lucas I F J, Frans J M. Accuracy assessment of satellite derived land-cover data: a review[J].PhotogrammetricEngineering&RemoteSensing, 1994, 60(4): 410-432.

[21] Hao H M. Study on change detection technology based on polarimtric SAR data[D].Liaoning:Liaoning Technical University,2010.(郝洪美.基于極化SAR影像的地物變化檢測(cè)技術(shù)研究[D].遼寧:遼寧工程技術(shù)大學(xué), 2010.)

韓萍(1966-),女,教授,博士,主要研究方向?yàn)閳D像處理與模式識(shí)別、SAR目標(biāo)檢測(cè)與識(shí)別。

E-mail:hanpingcauc@163.com

叢潤(rùn)民(1989-),男,博士研究生,主要研究方向?yàn)闃O化SAR圖像處理、3D圖像處理。

E-mail:crmcauc@163.com

張?jiān)诩?1989-),女,碩士研究生,主要研究方向?yàn)闃O化SAR圖像處理。

E-mail:cheeraji@163.com

網(wǎng)絡(luò)優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.TN.20141208.1054.004.html

Change detection algorithm of polarimetric SAR image

based on polarization state extracting

HAN Ping1, CONG Run-min1,2, ZHANG Zai-ji1

(1.TianjinKeyLabforAdvancedSignalProcessing,CivilAviationUniversityofChina,Tianjin300300,China;

2.SchoolofElectronicInformationEngineering,TianjinUniversity,Tianjin300072,China)

Abstract:In polarimetric synthetic aperture radar (PolSAR) images with two different phases, the same target may appear different scattering characters due to the changed data acquisition conditions, which will have an influence on the correctness of change detection. In order to overcome this problem, a new change detection algorithm based on polarization state extracting is proposed. First, invariant targets are used to extract the optimal polarization state of the image, then received power ratio is calculated as the feature of change detection under this state. Finally, the dual-threshold segmentation method is used to achieve change detection. Fully polarimetric SAR data collected by U.S. UAVSAR system is adopted to test and verify the new approach. Experimental results show that the novel method can obtain a good change detection result with low false alarm rate and clear contour.

Keywords:polarimetric synthetic aperture radar (PolSAR) image; change detection; polarization state; coherence matrix

作者簡(jiǎn)介：

中圖分類(lèi)號(hào)：TP 753

文獻(xiàn)標(biāo)志碼：A

DOI:10.3969/j.issn.1001-506X.2015.07.10

基金項(xiàng)目：國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(61231017)；中央高校基本科研業(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金(3122014C004)；中國(guó)民航大學(xué)科研基金(2012KYE03)資助課題

收稿日期：2014-06-20；修回日期：2014-11-01；網(wǎng)絡(luò)優(yōu)先出版日期：2014-12-08。