專利名稱：：基于多尺度積和主成分分析的sar圖像變化檢測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于數(shù)字圖像處理
技術(shù)領(lǐng)域：
，具體的說(shuō)是一種基于多尺度積和主成分分析的SAR圖像變化檢測(cè)的方法，適用于遙感圖像處理與分析。
背景技術(shù)：
：遙感圖像的變化檢測(cè)是指對(duì)同一地理位置不同時(shí)期的遙感圖像進(jìn)行分析獲得其中的變化信息。由于合成孔徑雷達(dá)(SyntheticApertureRadar,SAR)具有全天候、全天時(shí)獲取地表信息的能力，并具有一定的穿透能力，所以SAR圖像的解譯和應(yīng)用已成為現(xiàn)代遙感技術(shù)研究的一個(gè)熱點(diǎn)問(wèn)題。SAR圖像變化檢測(cè)技術(shù)對(duì)地震區(qū)域的定位和災(zāi)害評(píng)估等民用領(lǐng)域，以及戰(zhàn)場(chǎng)區(qū)域或重點(diǎn)監(jiān)視目標(biāo)實(shí)現(xiàn)連續(xù)偵察，可用于目標(biāo)打擊效果評(píng)估、戰(zhàn)場(chǎng)信息動(dòng)態(tài)感知、軍事目標(biāo)和兵力部署監(jiān)測(cè)等軍事方面得到了廣泛應(yīng)用。目前，基于非監(jiān)督的SAR圖像變化檢測(cè)方法首先對(duì)兩時(shí)相SAR圖像分別做對(duì)數(shù)運(yùn)算，將兩時(shí)相SAR圖像中的斑性噪聲轉(zhuǎn)化為加性噪聲，再將兩時(shí)相圖做比值較得到兩時(shí)相圖的差異圖，然后對(duì)該差異圖進(jìn)行有效的分析處理得到圖像的"變化"和"非變化"區(qū)域。這類(lèi)方法由于對(duì)圖像幾何配準(zhǔn)誤差以及斑點(diǎn)噪聲比較敏感，因而影響了提取變化信息的質(zhì)量。近幾年，為了降低SAR圖像中斑噪的影響，有關(guān)學(xué)者提出以下幾種方法一、FrancescaBovolo等學(xué)者在文章"Adetail-preservingscale-drivenapproachtochangedetectioninmultitemporalSARimages"提出了基于小波變換的變化檢測(cè)方法，該方法對(duì)差異圖進(jìn)行小波變換，并對(duì)小波變換的每一尺度的低頻信息進(jìn)行人工閾值初始分割，然后將初始分割的結(jié)果進(jìn)行決策得到最后的變化檢測(cè)結(jié)果。該方法優(yōu)點(diǎn)是抗噪聲性強(qiáng)，但該方法缺點(diǎn)是最后的變化檢測(cè)結(jié)果依賴于初始分割的效果，初始分割效果不好，則最后的變化檢測(cè)結(jié)果也會(huì)受到影響，而且該方法閾值的選取需要人工干預(yù)。二、LuisM.T.deCarvalho等學(xué)者在文章"Wavechange:aProcedureforChangeDetectionBasedonWaveletProductSpaces"提出了小波多尺度積的變化檢測(cè)方法，該方法對(duì)差異圖采用小波變換，并將某分解層與其相鄰層進(jìn)行相乘，得到該層的多尺度積來(lái)增強(qiáng)變化信息，去除噪聲，并利用某分解層的低頻信息對(duì)變化區(qū)域定位，并根據(jù)變化區(qū)域位置計(jì)算局部最大，去除一些偽變化信息，并將得到的局部最大點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)得到很好的變化結(jié)果，證明了計(jì)算多尺度積能夠去除由于幾何輻射錯(cuò)配準(zhǔn)引起的誤差。但是該方法的缺點(diǎn)是最后的變化檢測(cè)結(jié)果受某一分解層低頻中對(duì)變化信息的定位以及對(duì)局部最大值的定位準(zhǔn)確性的影響，從而限制了該方法的適用性。三、張輝等學(xué)者提出了基于主成分分析的SAR圖像變化檢測(cè)方法，其中將兩時(shí)相圖像進(jìn)行主成分分析分解，通過(guò)數(shù)學(xué)推導(dǎo)和理論分析，發(fā)現(xiàn)其主分量主要表征了兩圖的未變化部分，而次分量則可用于表征圖像的變化部分，此方法雖說(shuō)抗斑噪性強(qiáng)，但是結(jié)果易受圖像誤配準(zhǔn)的影響，使其檢測(cè)的變化結(jié)果中存在大量的偽變化信息。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有的SAR圖像變化檢測(cè)技術(shù)的不足，提出了一種基于多尺度積和主成分分析的SAR圖像變化檢測(cè)方法，以減少兩時(shí)相SAR圖像誤配準(zhǔn)的影響，并采用自適應(yīng)閾值分割提高自適應(yīng)性，并通過(guò)考慮不同尺度的信息提高其適用性。為實(shí)現(xiàn)上述目的，本發(fā)明的檢測(cè)方法包括如下步驟(1)對(duì)輸入的兩時(shí)相SAR圖像進(jìn)行對(duì)數(shù)比運(yùn)算，得到一幅對(duì)數(shù)比差異圖％￡;!;(2)對(duì)對(duì)數(shù)比差異圖Z^進(jìn)行二維平穩(wěn)小波變換，分解為4層，對(duì)每一層的水平、對(duì)角、垂直方向的高頻信息分別進(jìn)行多尺度積去噪，并將每一層去噪后的高頻系數(shù)和該尺度的低頻系數(shù)進(jìn)行逆小波變換，得到每個(gè)層去噪之后的對(duì)數(shù)比差異圖Z厶(/=1,2,...4);(3)將每層去噪之后的對(duì)數(shù)比差異圖^^分別列向量化并將四層列向量組成矩陣，對(duì)該矩陣進(jìn)行主成分分析變換，將得到的第一主成分圖作為新的差異圖^^，本發(fā)明稱為第一主成分差異(4)對(duì)第一主成分差異圖;^,利用廣義高斯模型最小錯(cuò)誤準(zhǔn)則計(jì)算其閾值并進(jìn)行分類(lèi)，大于閾值的像素點(diǎn)屬于變化類(lèi)，否則屬于非變化類(lèi)，得到變化結(jié)果圖。本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)(1)本發(fā)明由于考慮了小波變換分解的每個(gè)分解層的高頻、低頻信息，使得變化檢測(cè)結(jié)果不受某一分解層的影響，因此具有很好的適用性。(2)本發(fā)明由于對(duì)每個(gè)分解層的高頻信息采用多尺度積去噪，很好地抑制了斑點(diǎn)噪聲。G)本發(fā)明由于采用主成分分析融合了差異圖的每個(gè)分解層去噪之后的圖的有用信4息，去除了分解層圖間的冗余信息，減少了圖像誤配準(zhǔn)的影響，增強(qiáng)了變化信息并達(dá)到了降維的效果。(4)本發(fā)明由于采用廣義高斯模型能夠更準(zhǔn)確地?cái)M合差異圖直方圖，并根據(jù)貝葉斯最小錯(cuò)誤準(zhǔn)則求得差異圖閾值，該方法具有自適應(yīng)性，并且根據(jù)該方法求得的閾值對(duì)差異圖分類(lèi)能夠得到較精確的變化檢測(cè)結(jié)果。圖1是本發(fā)明的實(shí)現(xiàn)流程示意圖2是本發(fā)明輸入的前后兩個(gè)時(shí)相的SAR圖像；圖3是本發(fā)明的對(duì)數(shù)比差異圖4是本發(fā)明主成分分析變換得到的第一主成分差異圖；圖5是本發(fā)明實(shí)驗(yàn)中的變化檢測(cè)結(jié)果參考圖；圖6是本發(fā)明與現(xiàn)有的三種方法得到的變化檢測(cè)結(jié)果圖。具體實(shí)施例方式參照?qǐng)Dl，本發(fā)明的實(shí)施如下步驟1，對(duì)輸入的同一地理位置的兩個(gè)不同時(shí)相的大小為附*"的SAR圖像進(jìn)行對(duì)數(shù)比運(yùn)算，得到一幅差異圖X^，如圖3所示。步驟2,對(duì)對(duì)數(shù)比差異圖Zu進(jìn)行二維平穩(wěn)小波變換，分解為4層，對(duì)每一層的水平、對(duì)角、垂直方向的高頻信息分別進(jìn)行多尺度積去噪，并將每一層去噪后的高頻系數(shù)和該尺度的低頻系數(shù)進(jìn)行逆小波變換，得到每個(gè)分解層去噪之后的對(duì)數(shù)比差異圖，具體步驟如下(2a)對(duì)對(duì)數(shù)比差異圖Z^進(jìn)行二維平穩(wěn)小波(2D-SWT)變換。本發(fā)明設(shè)置小波變換的分解層數(shù)為四層，其中每一分解層圖中包括高頻系數(shù)圖和低頻系數(shù)圖，高頻系數(shù)圖包括水平、垂直、對(duì)角方向的高頻系數(shù)(2b)對(duì)每一分解層的水平、垂直、對(duì)角方向的高頻系數(shù)進(jìn)行多尺度積去噪，令『(附,《)為小波變換系數(shù)，對(duì)每個(gè)分解層的高頻系數(shù)計(jì)算多尺度積，并根據(jù)空間選擇性的噪聲濾波方法對(duì)每個(gè)分解層的高頻系數(shù)去噪，其具體步驟如下2bl)計(jì)算當(dāng)前分解層的多尺度積，并將其定義為相鄰層間小波系數(shù)P^(m,w)的相關(guān)性Cf(w,")，即C>,")=n『>，"))=1,2"..4(1)其中J'為小波分解當(dāng)前層，rf為7乂平、垂直、對(duì)角方向；2b2)計(jì)算小波相關(guān)性系數(shù)C(m,")和小波系數(shù)『/(m,")的能量，即尸<(附)=^(《)2(附，)(2)=E(^)2(W,");(3)2b3)對(duì)小波系數(shù)相關(guān)性祟'fe進(jìn)行歸一化iVC-(附，")=C-(m,w)*/尸C-);(4)2b4)比較歸一化后的相關(guān)性系數(shù)和小波能量系數(shù)，如果|7VC^m，w)|>K(m，《)|，則認(rèn)為該像素是有用信息，將該像素對(duì)應(yīng)的小波系數(shù)保留，否則認(rèn)為是噪聲，并將該像素的小波系數(shù)置零，即[『/(附,M)，|《(附，")|>|『/—)(5)[_0,e/se(2c)將處理之后的每個(gè)分解層的小波高頻系數(shù)和該層的低頻系數(shù)進(jìn)行二維平穩(wěn)小波逆變換，得到差異圖每個(gè)分解層去噪之后的圖像，記為Z^。步驟3，將每層去噪之后的對(duì)數(shù)比差異圖n分別列向量化并將其四層列向量組成矩陣A，對(duì)該矩陣進(jìn)行主成分分析變換，并將得到的第一主成分圖Z,作為新的差異圖，本發(fā)明稱為第一主成分差異圖，其具體步驟如下(3a)將每個(gè)分解層去噪之后的圖像X厶列向量化，表示為A/AM)-X^(m，")，其中_/=1，2，,4，iV=7*M，并纟且成矩陣A=(Al5A2,A3,A4);(3b)計(jì)算矩陣A的相關(guān)系數(shù)矩陣iGl&&"21"23尸31尸32*33"41"42^4廠44(6)其中矩陣元素(7)其中X為矩陣A的第f各向量的均值，^為矩陣A中第A:個(gè)向量，H為矩陣A中總的向量數(shù)，"=4;(3C)根據(jù)相關(guān)系數(shù)矩陣i得到特征方程為I;lt-李o;(8)(3d)采用雅可比法求特征方程的特征值兒々、1.....4)并按從大到小排列，計(jì)算特征值(z'=1.....4)對(duì)應(yīng)的特征向量(z'=1.....4);(3e)根據(jù)特征值兒々、1.....4)計(jì)算累計(jì)貢獻(xiàn)率s，艮P其中M為待確定的主成分個(gè)數(shù)，；為總的特征值的個(gè)數(shù)，且JW^p，/=1,2,...M，_/=1,2，...，/p;(3f)確定主成分個(gè)數(shù)M，一般取使累計(jì)貢獻(xiàn)率s達(dá)到85%-95%的特征值4,&.....AM所對(duì)應(yīng)的第一、第二、……、第M個(gè)主成分；(3g)列向量化后的圖像序列通過(guò)主成分分析逆變換，得到的主成分圖像為Z,.=^/,-(片1,2，.局(10)并將第一主成分圖Z,作為新的差異圖^^第一主成分差異圖如圖4所示。步驟4,對(duì)第一主成分差異圖x^采用廣義高斯模型擬合其直方圖，估計(jì)x:,中變化類(lèi)和非變化類(lèi)的概率密度函數(shù)，并根據(jù)最小錯(cuò)誤率準(zhǔn)則計(jì)算新差異圖^^的閾值，然后根據(jù)得到的閾值對(duì)新的差異圖^w分類(lèi)，圖^w中大于閾值的像素點(diǎn)屬于變化類(lèi)，否則屬于非變化類(lèi)，得到變化檢測(cè)結(jié)果圖，圖6(a)所示。本發(fā)明的效果可以通過(guò)以下內(nèi)容進(jìn)行說(shuō)明1.實(shí)驗(yàn)數(shù)據(jù)為了驗(yàn)證本發(fā)明所提出SAR變化檢測(cè)方法的性能，對(duì)一組仿真SAR圖像數(shù)據(jù)集和兩組真實(shí)SAR圖像數(shù)據(jù)集總共三組數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，每一組數(shù)據(jù)集都帶有檢測(cè)結(jié)果參考圖。第一組的仿真實(shí)驗(yàn)數(shù)據(jù)集是圖像大小為256*256的兩時(shí)相SAR圖像，其中第一時(shí)相SAR圖像仿真過(guò)程首先按照吉布斯隨機(jī)場(chǎng)分布形式獲得具有兩類(lèi)場(chǎng)景的參考圖像，然后按照SAR圖像的成像機(jī)理獲得帶有相干斑的SAR圖像，將仿真的變化區(qū)域嵌入到參考圖像中，第二時(shí)相SAR圖像按照第一時(shí)相SAR圖像類(lèi)似的形成過(guò)程獲得。第二組真實(shí)實(shí)驗(yàn)數(shù)據(jù)集是圖像的大小為704X704的真實(shí)的兩時(shí)相SAR圖像，第一時(shí)相SAR圖像如圖2(a)所示，第二時(shí)相SAR圖像如圖2(b)所示，這兩幅圖是通過(guò)ERS-2獲得的意大利帕維亞地區(qū)兩幅SAR圖像，第一時(shí)相SAR圖像是在2000年10月20日獲得，該圖是在洪水災(zāi)害剛剛發(fā)生后獲得的，圖像中陰暗部分為首洪水影響的區(qū)域。第二時(shí)相SAR圖像是在2000年10月28日獲得，此時(shí)洪水幾乎完全消失。第三組真實(shí)實(shí)驗(yàn)數(shù)據(jù)集是圖像大小為288X288的通過(guò)ERS-2獲得的Bern城市的兩時(shí)相SAR圖像，第一時(shí)相SAR圖像是1999年4月獲得的，第二組實(shí)驗(yàn)數(shù)據(jù)集是1999年5月獲得的，在兩時(shí)相之間，該地區(qū)發(fā)生了水災(zāi)，第二時(shí)相圖像中陰暗區(qū)域即為洪水影響的區(qū)域。2.對(duì)比實(shí)驗(yàn)為了說(shuō)明本發(fā)明采用第一主成分作為差異圖對(duì)變化區(qū)和非變化區(qū)的增強(qiáng)效果，將采用第一主成分的差異圖與對(duì)數(shù)比差異圖進(jìn)行了對(duì)比。本發(fā)明與現(xiàn)有的三個(gè)變化檢測(cè)方法進(jìn)行對(duì)比，對(duì)比實(shí)驗(yàn)一是FrancescaBovolo等學(xué)者在文章"Adetail-preservingscale-drivenapproachtochangedetectioninmultitemporalSARimages"提出的基于小波變換的變化檢測(cè)方法，其中只考慮小波變換的每個(gè)分解層的低頻信息，并采用主成分分析將每一層的低頻信息融合起來(lái)，基于廣義高斯模型最小錯(cuò)誤閾值對(duì)主成分分析分解后的第一主成分圖進(jìn)行分割得到最后的變化檢測(cè)結(jié)果圖，該方法的變化結(jié)果圖見(jiàn)圖6(b)。對(duì)比實(shí)驗(yàn)二是LuisM.T.deCarvalho等學(xué)者在文章"Wavechange:aProcedureforChangeDetectionBasedonWaveletProductSpaces"提出了小波多尺度積的變化檢測(cè)方法，其中選擇對(duì)數(shù)比差異圖小波變換的第三分解層進(jìn)行尺度積去噪，然后用并基于廣義高斯模型最小錯(cuò)誤閾值對(duì)差異圖去噪后的圖進(jìn)行分割，該方法的變化檢測(cè)結(jié)果見(jiàn)圖6(c)。對(duì)比實(shí)驗(yàn)三是張輝等學(xué)者在文章"基于主成分分析的SAR圖像變化檢測(cè)方法"提出的基于主成分分析的SAR圖像變化檢測(cè)方法，其中將通過(guò)主成分分析變換后的次主成分圖作為差異圖，并基于廣義高斯模型最小錯(cuò)誤閾值對(duì)差異進(jìn)行分割，該方法的變化檢測(cè)結(jié)果見(jiàn)圖6(d)。兩時(shí)相SAR圖像的變化檢測(cè)結(jié)果參考圖如圖5所示。通過(guò)與兩時(shí)相SAR圖像的變化檢測(cè)結(jié)果參考圖進(jìn)行比較，定量評(píng)價(jià)了本發(fā)明與兩個(gè)對(duì)比實(shí)驗(yàn)的變化檢測(cè)方法的性能，評(píng)價(jià)指標(biāo)包括虛警數(shù)，漏檢數(shù)和總錯(cuò)誤數(shù)，其中虛警數(shù)是變化檢測(cè)結(jié)果圖如圖6(a)、圖6(b)、圖6(c)和圖6(d)中為變化類(lèi)而參考圖中為非變化類(lèi)的個(gè)數(shù)，漏檢數(shù)是參考圖中為變化類(lèi)而變化檢測(cè)結(jié)果圖如圖6(a)、圖6(b)、圖6(c)和圖6(d)中為非變化類(lèi)的個(gè)數(shù)，總錯(cuò)誤數(shù)為虛警數(shù)和漏檢數(shù)之和。表格中給出了本發(fā)明與兩個(gè)對(duì)比實(shí)驗(yàn)的變化檢測(cè)方法的性能評(píng)定結(jié)果。3.實(shí)驗(yàn)結(jié)果與分析首先是采用第一主成分差異圖與不采用主成分分析變換的差異圖比較，第一主成分差異圖如圖4所示，兩時(shí)相SAR圖像的對(duì)數(shù)比差異圖如圖3所示，可以看出圖4比圖3減弱了偽變化信息，同時(shí)也增強(qiáng)了變化信息。本發(fā)明與上文提及的三個(gè)方法對(duì)三組實(shí)驗(yàn)數(shù)據(jù)集的變化檢測(cè)結(jié)果進(jìn)行了比較，結(jié)果分別如圖6(a)、圖6(b)、圖6(c)和圖6(d)所示。與兩時(shí)相SAR圖像的變化檢測(cè)結(jié)果參考圖相比如圖5所示，對(duì)比實(shí)驗(yàn)三的變化檢測(cè)結(jié)果圖，如圖6(d)所示，其中存在很多由于配準(zhǔn)誤差導(dǎo)致的偽變化信息以及由于斑性噪聲引起的雜點(diǎn)，對(duì)比實(shí)驗(yàn)一變化檢測(cè)結(jié)果圖，如圖6(b)所示，其中雖然偽變化信息較少，但是仍存在一些雜點(diǎn)。對(duì)比實(shí)驗(yàn)二的變化檢測(cè)結(jié)果圖，如圖6(c)所示，偽變化信息很少，但是變化部分細(xì)節(jié)信息保持不好。而本發(fā)明的變化檢測(cè)結(jié)果圖，如圖6(a)所示，其中偽變化信息和雜點(diǎn)都得到大大減少，細(xì)節(jié)信息保持較好，而且可以看出本發(fā)明的變化檢測(cè)結(jié)果圖最接近于參考圖如圖5所示，且本發(fā)明的變化檢測(cè)結(jié)果圖中變化部分的邊緣保持較好，證明了本發(fā)明抗噪聲性強(qiáng)，同時(shí)能夠降低圖像誤配準(zhǔn)的影響。從表l，表2，表3中可以看出，與其他兩個(gè)對(duì)比實(shí)驗(yàn)相比，本發(fā)明的得到變化檢測(cè)結(jié)果中總錯(cuò)誤數(shù)都大大減少，遠(yuǎn)遠(yuǎn)好于其他兩種方法的變化檢測(cè)結(jié)果，證實(shí)了本發(fā)明算法穩(wěn)定不受噪聲和圖像誤配準(zhǔn)的影響，得到更加準(zhǔn)確的變化檢測(cè)結(jié)果，而且在實(shí)際SAR圖像中也能夠得到準(zhǔn)確的變化檢測(cè)結(jié)果，證明了本發(fā)明具有很好的適用性。表1仿真SAR圖像變化檢測(cè)結(jié)果性能評(píng)價(jià)<table>tableseeoriginaldocumentpage9</column></row><table>表2第一組真實(shí)SAR圖像變化檢測(cè)結(jié)果性能評(píng)價(jià)<table>tableseeoriginaldocumentpage9</column></row><table>表3第二組真實(shí)SAR圖像變化檢測(cè)結(jié)果性能評(píng)V<table>tableseeoriginaldocumentpage9</column></row><table>權(quán)利要求1.一種基于多尺度積和主成分分析的SAR圖像變化檢測(cè)方法，包括如下步驟1)對(duì)輸入的兩時(shí)相SAR圖像進(jìn)行對(duì)數(shù)比運(yùn)算，得到一幅對(duì)數(shù)比值差異圖XLR；2)對(duì)差異圖XLR進(jìn)行二維平穩(wěn)小波變換，分解為4層，對(duì)每一層的水平、對(duì)角、垂直方向高頻信息分別進(jìn)行多尺度積去噪，并將每一層去噪后的高頻系數(shù)和該尺度的低頻系數(shù)進(jìn)行逆小波變換，得到對(duì)數(shù)比值差異圖XLR的每個(gè)層去噪之后的圖XLRj(j＝1，2，...4)；3)將每層去噪之后的對(duì)數(shù)比差異圖XLRj分別列向量化并將四層列向量組成矩陣，對(duì)該矩陣進(jìn)行主成分分析變換，將得到的第一主成份圖作為新的差異圖X’LR，本發(fā)明稱為第一主成份差異圖；4)對(duì)第一主成份差異圖X’LR利用廣義高斯模型最小錯(cuò)誤準(zhǔn)則計(jì)算其閾值并進(jìn)行分類(lèi)，大于閾值的像素點(diǎn)屬于變化類(lèi)，否則屬于非變化類(lèi)，得到變化結(jié)果圖。2.根據(jù)權(quán)利要求1所述的SAR圖像變化檢測(cè)方法，其中步驟2)所述的對(duì)每一層的水平、對(duì)角、垂直方向高頻信息分別進(jìn)行多尺度積去噪，采用空間選擇性的噪聲濾波方法去噪。全文摘要本發(fā)明公開(kāi)了一種基于多尺度積和主成分分析的SAR圖像變化檢測(cè)方法，主要解決現(xiàn)有技術(shù)自適應(yīng)性差、適用范圍窄以及變化檢測(cè)結(jié)果受圖像誤配準(zhǔn)影響的問(wèn)題。具體實(shí)現(xiàn)過(guò)程是首先對(duì)輸入的兩時(shí)相SAR圖像進(jìn)行對(duì)數(shù)比運(yùn)算得到差異圖，對(duì)其進(jìn)行小波變換，對(duì)每一分解層高頻信息都進(jìn)行多尺度積去噪；然后將每一層去噪后的圖像組合起來(lái)進(jìn)行主成分分析變換，并將第一主成分圖作為新的差異圖；最后采用廣義高斯模型的最小錯(cuò)誤率閾值對(duì)新的差異圖分類(lèi)，得到最后的變化結(jié)果圖。實(shí)驗(yàn)表明本發(fā)明能夠增強(qiáng)變化信息，抗噪聲性強(qiáng)，能夠減弱圖像誤配準(zhǔn)的影響，具有很好的適用性，可用于SAR圖像的災(zāi)情檢測(cè)。文檔編號(hào)G01S13/90GK101634709SQ20091002363公開(kāi)日2010年1月27日申請(qǐng)日期2009年8月19日優(yōu)先權(quán)日2009年8月19日發(fā)明者彪侯,公茂果,芳劉,張鳳玉,焦李成,王桂婷,樺鐘,馬文萍申請(qǐng)人:西安電子科技大學(xué)