论文部分内容阅读
随着合成孔径雷达（Synthetic Aperture Radar,SAR）成像技术的成熟,遥感卫星呈现出星座化的发展趋势。通过遥感星座中多颗卫星组网观测,大大缩短了卫星的重访周期,满足了对重点区域的多时相观测需求,提供了海量的SAR图像数据。其中极化合成孔径雷达（Polarimetric SAR,Pol SAR）通过发射和接收不同极化方式的雷达波,能够同时获取多通道的SAR数据,丰富了地物散射信息的表达。利用极化SAR图像能够对地物进行多方面持续稳定的监测,因此如何将多时相极化SAR图像与大数据技术相结合是目前所面临的挑战和机遇。在此背景下,本文从双时相极化SAR图像变化检测框架出发,分别从多极化SAR图像的相干斑抑制,极化SAR图像非监督和监督的变化检测三个方面开展研究。利用多种卫星获取的多极化SAR图像验证相应算法的检测性能与普适性,建立了双时相变化检测算法与极化SAR图像多时相分析与应用间的桥梁。本文的主要研究工作和贡献如下:1)针对极化SAR数据固有的相干斑会影响图像的人工判读与解译问题,提出了基于预训练卷积神经网络的相干斑抑制方法。卷积神经网络能自动挖掘SAR图像中的深层特征,在SAR图像相干斑噪声分析中极具优势。但目前极化SAR图像真值图很难获取,无法对网络进行有参考的训练。因此考虑使用基于高斯白噪声的预训练卷积神经网络进行滤波,通过多通道对数高斯滤波框架,可以有效的将预训练网络迁移到极化SAR图像的滤波中。该方法在单极化和多极化SAR图像中都有很好的滤波结果,可用于目视判读和后续分析的预处理环节。2)非监督变化检测直接利用极化SAR数据信息,不需要人工标注信息的辅助,能灵活快捷的检测图像中的变化区域。其中差异图像的生成是最为关键的一步,差异图像的质量会直接影响变化检测的精度。在基于对象级的非监督变化检测框架中,提出了利用混合Wishart分布模型描述超像素区域的数据信息,并引入Cauchy-Schwarz散度比较对应区域混合Wishart分布的差异,最后通过阈值分割得到变化区域的方法。该方法能得到更加精准的差异图,在极化SAR图像的变化检测实验中取得了更好的检测效果。3)监督的变化检测方法通过人为标注大量的训练样本进行特征的学习,能更精确的划分变化区域和非变化区域,并能够区分变化的类型。深度学习网络模型由多个神经元组成,通过训练样本的学习获得网络模型参数。针对极化SAR图像深度学习方法的变化检测问题,本文首先建立了一个基于Sentinel-1双极化SAR图像城市区域变化检测的数据集,然后基于U-Net基础网络分析了三种不同的处理双时相极化SAR图像的变化检测框架。通过对极化SAR图像进行合适的预处理,在利用训练样本进行变化检测网络参数训练后,能在测试图像数据集中精确的检测到变化区域。4)根据本文提出的极化SAR图像相干斑滤波和双时相变化检测的算法,开展了多时相极化SAR图像的应用分析。通过对极化SAR图像的可视化,能清楚的观测到多时相数据中发生变化的区域。利用双时相变化检测算法,得到多时相极化SAR图像的变化检测矩阵或者向量。通过Radarsat-2和Sentinel-1卫星获取的多时相数据得到相应的变化检测矩阵和向量,分析后可以得到不同区域的变化时间点,变化程度和变化模式。