本發(fā)明屬于圖像檢測技術領域，主要涉及sar圖像變化檢測，具體是一種基于樣本自標定elm的在軌sar圖像變化檢測方法。用于對衛(wèi)星拍攝的sar圖像進行實時在軌變化檢測。

背景技術：

合成孔徑雷達(sar)是一種高分辨率成像雷達，可以在能見度極低的氣象條件下得到類似光學照相的高分辨雷達圖像。由于其優(yōu)異的特性，合成孔徑雷達已經(jīng)被廣泛應用于工農(nóng)業(yè)生產(chǎn)、城市監(jiān)控、軍事和科研等領域?；趕ar的圖像變化檢測是對同一地區(qū)不同時間的兩幅圖像進行比對分析，辨別出圖像間的差異并以此得到需要的目標或地形的變化信息?，F(xiàn)如今，隨著全球城市的快速發(fā)展和環(huán)境的劇烈變化，及時掌握需要的變化信息變得越來越急迫。結合sar圖像的優(yōu)異特性的變化檢測方法，為快速獲得目標區(qū)域的變化信息提供了需要的的技術支持和應急保障。

在軌的sar的圖像變化檢測，主要基于兩種檢測思路：(1)無監(jiān)督的sar圖像變化檢測，該方法提取圖像中的相似特征進行分析聚類，最終獲得變化信息；(2)有監(jiān)督的sar圖像變化檢測方法，該方法事先利用有標簽的樣本對檢測算法進行訓練，再將需要進行變化檢測的sar圖像送入算法中獲得變化區(qū)域的檢測。

由于不能利用標簽樣本的有效信息，無監(jiān)督的在軌變化檢測方法在檢測精度和魯棒性方面有待進一步提高。有監(jiān)督的在軌sar變化檢測需要在地面用大量的實際數(shù)據(jù)信息訓練網(wǎng)絡后再送到星上進行檢測分類變化區(qū)域?；谶@種思想實現(xiàn)的檢測方法雖然免去了在星上進行網(wǎng)絡參數(shù)訓練的過程，一定程度上提升了檢測方法的速度，但是由于訓練數(shù)據(jù)信息的稀缺且昂貴，并且星上檢測方法的網(wǎng)絡參數(shù)固定，使得此類方法在面對不同幅寬不同分辨率以及不同成像方式的目標區(qū)域的數(shù)據(jù)時，其檢測質量受到很大程度的波動，比如成像方式是單視或四視，檢測結果存在不穩(wěn)定性，嚴重限制了檢測方法的實際應用。

綜上，無監(jiān)督的在軌sar圖像變化檢測方法的檢測精度和魯棒性不夠理想；有監(jiān)督的在軌sar圖像變化檢測方法需要的訓練數(shù)據(jù)需要人工對其標注，不能靈活應用于不同成像方式，檢測結果因分辨率及成像方式的不同而存在不穩(wěn)定性。現(xiàn)有的在軌sar圖像的變化檢測方法因具有廣泛的應用價值急需不斷探索與改進。

技術實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有在軌檢測方法的應用局限性，提出了一種自動提取訓練樣本，檢測結果更加穩(wěn)定的基于樣本自標定elm的在軌sar圖像變化檢測方法。

本發(fā)明是一種基于樣本自標定elm的在軌sar圖像變化檢測方法，其特征是：直接在衛(wèi)星上對配準后的sar圖像對進行變化檢測，并包括以下步驟：

步驟101：開始基于樣本自標定elm的在軌變化檢測。

步驟102：對從雷達拍攝的兩幅配準后的同一地區(qū)但不同時相的sar圖像對x1和x2作對數(shù)比值法計算，獲得對數(shù)差分圖di。

步驟103：使用主成份分析法(pca)獲取對數(shù)差分圖前99％的主要分量。

步驟104：設計樣本自標定策略，利用樣本自標定策略獲得歸一化后對數(shù)差分圖的主分量的嚴格變化區(qū)域和嚴格未變化區(qū)域。

步驟105：從嚴格變化區(qū)域和嚴格未變化區(qū)域中按序提取部分樣本的鄰域特征作為訓練樣本，訓練極速學習機elm的網(wǎng)絡參數(shù)。

步驟106：將待檢測的對數(shù)差分圖中每個樣本的鄰域特征送入訓練好的elm中，獲得目標區(qū)域的變化檢測結果。

步驟107：完成基于樣本自標定elm的在軌sar圖像變化檢測。

本發(fā)明與現(xiàn)有技術相比具有下列有益的效果：

1、本發(fā)明使用pca對對數(shù)差分圖進行主成份提取，降低了圖像的特征維度，減少了噪聲像素對方法的干擾，在確保算法的時效性的基礎上提升了算法的抗噪性。

2、本發(fā)明自動提取訓練樣本，提出了獨特的樣本自標定策略，通過利用fcm聚類算法獲取的樣本聚類中心，結合候選樣本的鄰域特征，自動地提取出了所需要的變化樣本數(shù)據(jù)和未變化樣本數(shù)據(jù)，避免了標記樣本的人工提取。

3、本發(fā)明采用了計算速度快、計算結果優(yōu)良的單隱層前饋神經(jīng)網(wǎng)絡——elm來最終分類變化像素和未變化像素，提升了方法的檢測速度和檢測質量。

4、仿真實驗表明，本發(fā)明采用的基于樣本自標定elm實現(xiàn)的在軌sar圖像變化檢測，其從待檢測sar圖像中實時的提取訓練樣本，可以靈活的應對不同場景的檢測需求，即不同分辨率及不同成像方式的sar數(shù)據(jù)，不僅保證了穩(wěn)定的檢測質量，且適用性更廣泛；在確保了檢測速度的同時具備優(yōu)異的檢測結果。

附圖說明

圖1是基于樣本自標定elm的在軌sar圖像變化檢測方法的主流程圖；

圖2是嚴格變化樣本的選取策略圖，圖中的白色塊表示候選的變化像素，灰色塊表示未知類別像素，圖2(a)-2(d)給出了中心像素為候選變化像素，選擇其為嚴格變化像素時的鄰域像素分布的四個具體實例；

圖3是嚴格未變化樣本的選取策略圖，圖中的黑色塊表示候選的未變化像素，灰色塊表示未知類別像素，圖3(a)-3(d)給出了中心像素為候選未變化像素，選擇其為嚴格未變化像素時的鄰域像素分布的四個實例；

圖4是第一組實驗仿真圖，是同一地區(qū)不同時間下拍攝的sar圖像，大小均為301×301，其中圖4(a)的拍攝時間為1999年4月，圖4(b)的拍攝時間為1999年5月；

圖5是對應圖4中第一組實驗仿真圖的變化檢測結果對比，其中圖5(a)是檢測參考圖，圖5(b)是本發(fā)明得到的變化檢測結果圖，圖5(c)是ckld方法(thecumulant-basedkullback-leiblerdivergencemethod)的變化檢測結果圖；

圖6是第二組實驗仿真圖，是同一地區(qū)不同時間下拍攝的sar圖像，大小均為290×350，其中圖6(a)的拍攝時間為1997年5月，圖6(b)的拍攝時間為1997年8月；

圖7是對應圖6中第二組實驗仿真圖的變化檢測結果對比，其中圖7(a)是變化檢測參考圖，圖7(b)是本發(fā)明得到的變化檢測結果圖，圖7(c)是ckld方法的變化檢測結果圖。

具體實施方式

下面結合附圖對本發(fā)明詳細說明。

實施例1

有監(jiān)督的在軌sar圖像變化檢測方法受限于大量人工標注的數(shù)據(jù)，而采用地面訓練數(shù)據(jù)、星上檢測的方式不能穩(wěn)定地應用于不同成像方式及分辨率的sar圖像數(shù)據(jù)。針對此現(xiàn)狀，本發(fā)明展開了探索與改進，提出一種基于樣本自標定elm的在軌sar圖像變化檢測方法。

參見圖1：本發(fā)明直接在衛(wèi)星上對配準后的sar圖像對進行變化檢測，具體包括有以下步驟：

步驟101：開始基于樣本自標定elm的在軌變化檢測。

步驟102：對從雷達拍攝的兩幅配準后的同一地區(qū)但不同時相的sar圖像對x1和x2，其中圖像x1表示同一地區(qū)第一時相的sar圖像，x2表示同一地區(qū)第二時相的sar圖像。對圖像對x1和x2作對數(shù)比值法計算，獲得對數(shù)差分圖di。

步驟103：獲取對數(shù)差分圖的主分量：使用主成份分析法(pca)獲取對數(shù)差分圖前99％的主要分量。

步驟104：設計樣本自標定策略：對獲得的對數(shù)差分圖的主分量進行fcm聚類分析，獲得對數(shù)差分圖主分量的兩個樣本聚類中心c1和c2。c1代表第一類樣本的聚類中心，該類樣本的灰度值較低；c2代表第二類樣本的聚類中心，該類樣本的灰度值較高。根據(jù)獲得的兩個樣本聚類中心c1和c2，利用樣本鄰域特征獲得該sar圖像的嚴格變化像素和嚴格未變化像素。所有嚴格變化像素構成嚴格變化區(qū)域，所有嚴格未變化像素構成嚴格未變化區(qū)域。本發(fā)明通過劃分嚴格區(qū)域的劃分，不僅能保證檢測精度，也避免了訓練樣本選取時的人工參與。

步驟106：從嚴格變化區(qū)域和嚴格未變化區(qū)域中按序提取部分樣本的鄰域特征作為訓練樣本，訓練elm，本例中選取樣本的5×5鄰域。

步驟107：將待檢測的對數(shù)差分圖中每個樣本的鄰域特征送入訓練好的elm中，獲得目標區(qū)域的變化檢測結果；該變化檢測結果反映了該地區(qū)不同時間帶來的變化。

步驟108：完成基于樣本自標定策略elm的在軌sar圖像變化檢測。

本發(fā)明利用樣本自標定策略，從待檢測sar圖像中自動提取出需要的嚴格變化樣本和嚴格未變化樣本作為神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)，使得檢測方法能夠同時穩(wěn)定地應用于不同成像方式及不同分辨率的sar圖像的變化檢測中，利用了有監(jiān)督檢測算法的優(yōu)勢，避免了人工的參與。思路清晰簡單，全程自動化決策，且由于主成份分析方法(pca)的引入，降低了sar圖像中噪聲像素的干擾；通過elm的訓練學習，有效的提升了方法的檢測速度和檢測精度。

實施例2

基于樣本自標定elm的在軌sar圖像變化檢測方法的總體技術方案同實施例1，本發(fā)明步驟102中的對數(shù)比值法計算，包括如下步驟：

步驟201：開始對數(shù)比值法計算。

步驟202：將從雷達拍攝的兩幅配準后的同一地區(qū)但不同時相的sar圖像對x1和x2根據(jù)下式生成對數(shù)差分圖di：

其中ε是一個很小的正常數(shù)，范圍取值一般為[10^-4，10⁰]；x1表示發(fā)生變化前目標區(qū)域的sar圖像，x2表示發(fā)生變化后目標區(qū)域的sar圖像。

步驟203：將生成的對數(shù)差分圖di進行歸一化處理，表示為：

其中dimax和dimin分別表示對數(shù)差分圖di中的灰度最大值和最小值，差分圖大小為m×n，m和n表示當前像素的坐標，最終得到歸一化后的對數(shù)差分圖。

步驟204：結束對數(shù)比值法。

實施例3

基于樣本自標定elm的在軌sar圖像變化檢測方法的總體技術方案同實施例1-2，步驟103所述的獲取歸一化后的對數(shù)差分圖的主分量，包括如下步驟：

步驟301：開始使用主成份分析(pca)提取歸一化后的對數(shù)差分圖的主分量。

步驟302：將歸一化后的對數(shù)差分圖分割成若干個互不重疊的圖像塊，每個圖像塊的大小為k×k，本例中設置圖像塊的大小為5×5。

步驟303：將分割后的所有圖像塊拉成列向量，調用pca保留其99％的信息。

步驟304：將拉成列向量的塊復原，獲得歸一化后的對數(shù)差分圖的主要分量。

步驟305：結束使用主成份分析(pca)提取歸一化后的對數(shù)差分圖的主分量。

本發(fā)明通過使用主分量分析法，通過提取對數(shù)差分圖的主分量，有效的降低了噪聲像素的干擾，提升了方法的檢測質量。

實施例4

基于樣本自標定elm的在軌sar圖像變化檢測方法的總體技術方案同實施例1-3，步驟104所述的使用樣本自標定策略，包括如下步驟：

步驟401：開始樣本自標定策略的設計和樣本的獲取。

步驟402：對歸一化后的對數(shù)差分圖中的每一個像素樣本的主分量進行fcm聚類分析，設置聚類類別數(shù)為2。

步驟403：得到兩個類別的樣本聚類中心，分別為c1和c2，c1代表第一類樣本的聚類中心，其灰度值較低；c2代表第二類樣本的聚類中心，其灰度值較高；

步驟404：根據(jù)獲得的兩個樣本聚類中心c1和c2，將歸一化后的對數(shù)差分圖中的灰度值小于的像素樣本視為候選未變化樣本，將灰度值大于的像素樣本視為候選變化樣本。

步驟405：針對每個候選樣本，查考其8鄰域的像素分布，對于候選的變化樣本，如果其8鄰域像素中有等于或超過半數(shù)均為候選變化樣本，則選擇它為嚴格變化樣本，參見圖2；其中圖2(a)中居中的為嚴格變化像素，也稱為嚴格變化樣本，在其周圍有四個候選變化樣本；圖2(b)、圖2(c)和圖2(d)中均有四個候選變化樣本，雖然四個候選變化樣本的分布不同，但都達到了8鄰域像素總數(shù)的半數(shù)，所以選擇圖示的4中情況均為中心像素為嚴格變化像素。如果其8鄰域中候選變化樣本超過半數(shù)，更應確定其中心像素為嚴格變化樣本。

同理，對于候選的未變化樣本，如果其8鄰域像素中有等于或超過半數(shù)均為候選的未變化樣本，則將其視為嚴格未變化樣本，參見圖3；圖3(a)-3(d)給出了滿足選擇中心候選未變化像素為嚴格未變化像素的鄰域分布圖，統(tǒng)計所有的嚴格變化樣本和嚴格未變化樣本，根據(jù)本發(fā)明的樣本自標定策略，獲得嚴格變化區(qū)域和嚴格未變化區(qū)域。

步驟406：結束樣本自標定策略的設計和樣本的獲取。

本發(fā)明利用樣本自標定策略，從待檢測sar圖像對的差分圖中自動提取出需要的嚴格變化樣本和嚴格未變化樣本作為神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)，使得方法能夠同時應用于不同成像方式及不同分辨率的sar圖像的變化檢測中，滿足了方法面對不同檢測場景時穩(wěn)定的檢測質量的需要。

實施例5

基于樣本自標定elm的在軌sar圖像變化檢測方法的總體技術方案同實施例1-4，步驟105所述的訓練elm，包括如下步驟：

步驟501：開始訓練elm的網(wǎng)絡參數(shù)。

步驟502：根據(jù)分類后樣本的嚴格變化樣本和嚴格未變化樣本，分別提取出以對應樣本為中心的鄰域特征，將特征拉成列向量，本例中提取樣本的5×5鄰域特征。

步驟503：將拉成列向量的特征均送入elm中進行訓練；設置elm的單隱層節(jié)點數(shù)為200，設置輸入層的權重和偏置為均勻分布的隨機數(shù)；elm的目標函數(shù)為：

其中h為樣本的隱藏層輸出矩陣，t為樣本的類標矩陣，β表示隱藏節(jié)點到輸出節(jié)點的權重向量。

步驟504：獲得訓練好網(wǎng)絡參數(shù)的elm。

步驟505：結束elm的訓練。

本方法將從待檢測圖像中自動選取的訓練樣本送入到elm中進行訓練，利用了計算速度快、計算結果優(yōu)良的單隱層前饋神經(jīng)網(wǎng)絡——elm來最終分類變化像素和未變化像素，也提升了本發(fā)明方法的檢測速度和檢測質量。

下面給出一個所有步驟融合在一起的例子，對本發(fā)明進一步說明。

實施例6

基于樣本自標定elm的在軌sar圖像變化檢測方法的總體技術方案同實施例1-5，本發(fā)明提出了一種基于樣本自標定elm的在軌sar圖像變化檢測方法，它屬于神經(jīng)網(wǎng)絡和圖像處理相結合的技術領域，目的是為了獲取精確穩(wěn)定且全程自動檢測的變化區(qū)域檢測圖的問題。采用的技術方案是：(1)首先對兩幅配準后的同一地區(qū)但不同時相的sar圖像對作對數(shù)比值法，以獲得對數(shù)差分圖；(2)使用主成份分析(pca)獲取對數(shù)差分圖的主分量；(3)設計樣本自標定策略，利用樣本自標定策略獲得歸一化后對數(shù)差分圖的主分量的嚴格變化區(qū)域和嚴格未變化區(qū)域；(4)隨機提取部分嚴格變化像素和嚴格未變化像素的主成份作為訓練樣本，訓練elm；(5)將待檢測的對數(shù)差分圖中每個樣本的5×5鄰域送入訓練好的elm中，獲得變化檢測圖。

如圖1所示，實現(xiàn)步驟包括：

步驟101：開始基樣本自標定elm的在軌sar圖像變化檢測。

步驟102：對從雷達拍攝的兩幅配準后的同一地區(qū)但不同時相的sar圖像作對數(shù)比值法，以獲得對數(shù)差分圖di。

步驟103：獲取對數(shù)差分圖的主分量：使用主成份分析(pca)獲取對數(shù)差分圖前99％的主要分量。

步驟104：設計樣本自標定策略，利用樣本自標定策略獲得歸一化后對數(shù)差分圖的主分量的嚴格變化區(qū)域和嚴格未變化區(qū)域。

步驟105：從嚴格變化區(qū)域和嚴格未變化區(qū)域中按序提取部分樣本作為訓練樣本，訓練elm。

步驟106：將待檢測的對數(shù)差分圖中每個樣本的5×5鄰域送入訓練好的elm中，獲得目標區(qū)域的變化檢測結果。

步驟107：完成樣本自標定策略的在軌sar圖像變化檢測。

所述的步驟102，包括如下步驟：

步驟201：開始對數(shù)比值法。

步驟202：生成兩幅配準后sar圖像x1和x2的對數(shù)差分圖di：

其中ε是一個很小的正常數(shù)，一般為[10^-4,10⁰]；x1表示發(fā)生變化前目標區(qū)域的sar圖像，x2表示發(fā)生變化后目標區(qū)域的sar圖像。

步驟203：將生成的對數(shù)差分圖di進行歸一化處理：

其中dimax和dimin分別表示對數(shù)差分圖di中的最大值和最小值，對數(shù)差分圖大小為m×n，m表示對數(shù)差分圖中第m列，n表示對數(shù)差分圖中第n列，得到歸一化后的對數(shù)差分圖。

步驟204：結束對數(shù)比值法。

所述的步驟103，包括如下步驟：

步驟301：開始使用主成份分析(pca)提取歸一化后的對數(shù)差分圖的主分量。

步驟302：將歸一化后的對數(shù)差分圖分割成若干個互不重疊的圖像塊，每個圖像塊的大小為5×5。

步驟303：將分割后的所有圖像塊拉成列向量，調用pca保留其99％的信息。

步驟304：將拉成列向量的塊復原，獲得歸一化后的對數(shù)差分圖的主要分量。

步驟305：結束使用主成份分析(pca)提取歸一化后的對數(shù)差分圖的主分量。

步驟401：開始樣本自標定策略的設計和樣本的獲取。

步驟402：對歸一化后的對數(shù)差分圖中的每一個像素樣本的主分量進行fcm聚類分析，設置聚類類別數(shù)為2。

步驟403：得到兩個類別的樣本聚類中心，分別為c1和c2，c1代表第一類樣本的聚類中心，其灰度值較低；c2代表第二類樣本的聚類中心，其灰度值較高；

步驟404：根據(jù)獲得的兩個樣本聚類中心c1和c2，將歸一化后的對數(shù)差分圖中的灰度值小于的像素樣本視為候選未變化樣本，將灰度值大于的像素樣本視為候選變化樣本。

步驟405：針對每個候選樣本，查考其8鄰域的像素分布，對于候選的變化樣本，如果其8鄰域像素中有等于或超過半數(shù)均為候選變化樣本，則選擇它為嚴格變化樣本；同理，對于候選的未變化樣本，如果其8鄰域像素中有等于或超過半數(shù)均為候選的未變化樣本，則將其視為嚴格未變化樣本；統(tǒng)計所有的嚴格變化樣本和嚴格未變化樣本，獲得嚴格變化區(qū)域和嚴格未變化區(qū)域。

步驟406：結束樣本自標定策略的設計和樣本的獲取。

所述的步驟105，包括如下步驟：

步驟501：開始訓練elm的網(wǎng)絡參數(shù)。

步驟502：根據(jù)分類后樣本的嚴格變化樣本和嚴格未變化樣本，按序選擇出其中的1/100的樣本，提取對應樣本為中心的5×5鄰域特征，將特征拉成列向量。

步驟503：將拉成列向量的特征均送入elm中進行訓練；設置elm的單隱層節(jié)點數(shù)為200，設置輸入層的權重和偏置為均勻分布的隨機數(shù)；elm的目標函數(shù)為：

其中h為樣本的隱藏層輸出矩陣，t為樣本的類標矩陣，β表示隱藏節(jié)點到輸出節(jié)點的權重向量。

步驟504：獲得訓練好網(wǎng)絡參數(shù)的elm。

步驟505：結束elm的訓練。

下面通過仿真及其相關實驗數(shù)據(jù)，對本發(fā)明的技術效果再做說明。

實施例7

基于樣本自標定elm的在軌sar圖像變化檢測方法的總體技術方案同實施例1-6。

仿真評價指標

對于具有參考圖的實驗仿真圖，可進行定量的變化檢測結果分析：

1)計算漏檢個數(shù)：統(tǒng)計檢測結果圖中檢測出的變化區(qū)域的像素個數(shù)，與參考圖中變化像素區(qū)域的像素個數(shù)進行對比，統(tǒng)計參考圖中發(fā)生變化但檢測結果圖中檢測為未變化的像素個數(shù)，稱之為漏檢個數(shù)fn。

2)計算錯檢個數(shù)：統(tǒng)計檢測結果圖中檢測出的無變化區(qū)域的像素個數(shù)，與參考圖中無變化區(qū)域的像素個數(shù)進行對比，統(tǒng)計參考圖中無變化但檢測結果圖中檢測為變化的像素個數(shù)統(tǒng)計，稱之為錯檢個數(shù)fp。

3)正確分類的概率pcc：pcc＝(tp+tn)/(tp+fp+tn+fn)。

4)衡量檢測結果圖與參考圖一致性的kappa系數(shù)：kappa＝(pcc–pre)/(1–pre)，其中：pre＝(tp+fp)×nc+(fn+tn)×nu/n²。

這里n代表總像素個數(shù)，nc和nu分別代表實際的變化像素個數(shù)和無變化像素個數(shù)。

仿真內容

采用本發(fā)明的方法在第一組實驗仿真圖和第二組實驗仿真圖中實現(xiàn)了變化檢測，并將檢測結果與ckld算法在同樣的仿真圖中獲得的結果進行了對比。

仿真實驗結果及分析

1)反映bern城市地區(qū)的sar圖像如圖4所示，圖4(a)的拍攝時間是1999年4月，圖4(b)的拍攝時間是1999年5月，大小均為301×301。

圖5給出了通過樣本自標定elm的在軌sar圖像變化檢測方法，即本發(fā)明的結果圖，以及通過ckld方法得到的變化檢測結果圖。其中5(a)是圖4中bern地區(qū)在1999年4月和5月間的實際變化參考圖，5(b)是本發(fā)明在bern地區(qū)的檢測結果，5(c)是ckld方法在bern地區(qū)的變化檢測結果。

從圖5對比看出，ckld方法的檢測結果5(c)的噪點比較多，細節(jié)丟失比較嚴重，許多變化的區(qū)域并未能檢測出來。例如在變化區(qū)域的正下方，ckld方法大量丟失變化信息，許多微小區(qū)域的變化信息不能正確檢測出來。而本發(fā)明方法的變化檢測結果圖具有優(yōu)良的細節(jié)保持能力，檢測的結果圖的輪廓更加逼近真實情形，得到的變化檢測結果更優(yōu)于ckld方法。

使用本發(fā)明的檢測效果指標以及ckld方法在第一組實驗仿真圖上的對比數(shù)據(jù)結果如如表1所示。

表1本發(fā)明(樣本自標定elm)方法和ckld方法在第一組實驗仿真圖，即圖4上的對比數(shù)據(jù)結果

從表1中可以看出，本發(fā)明方法的變化檢測正確率以及kappa系數(shù)和ckld方法比較都更優(yōu)秀，本發(fā)明的錯檢數(shù)fp只有ckld方法錯檢數(shù)的54％，漏檢數(shù)fn只占到ckld方法漏檢數(shù)的72％，總體檢測效果相比ckld方法更加優(yōu)良。

實施例9

基于樣本自標定elm的在軌sar圖像變化檢測方法的總體技術方案同實施例1-7，仿真條件和仿真內容同實施例8。

圖6是反映了ottawa地區(qū)發(fā)生水災前后的sar圖像。圖6(a)的拍攝時間是1997年5月，圖6(b)的拍攝時間是1997年8月，圖像大小均為290×350。

圖7給出了本發(fā)明運用樣本自標定elm進行變化檢測的結果圖以及通過ckld方法得到的變化檢測結果圖，其中7(a)是ottawa地區(qū)發(fā)生水災前后的實際變化參考圖，7(b)表示本發(fā)明在ottawa地區(qū)發(fā)生水災前后的檢測結果，7(c)是ckld方法在ottawa地區(qū)發(fā)生水災前后的變化檢測結果。從圖7對比可以看出，ckld方法生成的檢測結果圖中有明顯的重影，嚴重影響了變化區(qū)域細節(jié)的描述，同時也影響了檢測結果的正確率，而本發(fā)明方法的變化檢測結果圖的細節(jié)保持能力更優(yōu)于ckld方法，變化區(qū)域的邊緣都能夠很好的得以還原，檢測質量明顯高于ckld方法。

使用本發(fā)明樣本自標定elm進行變化檢測的效果指標以及ckld方法在第二組實驗仿真圖上的對比數(shù)據(jù)結果如表2所示。

表2樣本自標定elm方法和ckld方法在第二組實驗仿真圖上的對比數(shù)據(jù)結果

從表2中很明顯的看出，本發(fā)明方法的漏檢數(shù)遠遠小于ckld方法，約占ckld方法漏檢率的21％，本發(fā)明方法的kappa系數(shù)較之ckld方法高出約6個百分點，變化檢測結果無論是正確檢出率還是kappa系數(shù)都遠遠優(yōu)于ckld方法。

對照實施例8，兩個實例采用了不同分辨率的原始sar圖像，本發(fā)明的方法檢測結果始終保持穩(wěn)定，可見本發(fā)明方法提高了sar圖像變化檢測的效果，方法的適應性更強。

本實施沒有詳細敘述的工藝和字母含義屬本行業(yè)的公知常用手段及公知技術，這里不一一敘述。

本發(fā)明提出了一種基于樣本自標定elm的在軌sar圖像變化檢測方法。包括如下步驟：步驟101：開始基于樣本自標定elm的在軌sar圖像變化檢測；步驟102：對兩幅配準后的同一地區(qū)但不同時相的sar圖像作對數(shù)比值法，獲得對數(shù)差分圖；步驟103：使用主成份分析(pca)獲取對數(shù)差分圖的主要分量；步驟104：設計樣本自標定策略，利用樣本自標定策略獲得歸一化后對數(shù)差分圖的主分量的嚴格變化區(qū)域和嚴格未變化區(qū)域；步驟105：從嚴格變化區(qū)域和嚴格未變化區(qū)域中按序提取部分嚴格變化像素和嚴格未變化像素的主成份作為訓練樣本，訓練elm的網(wǎng)絡參數(shù)；步驟106：將待檢測的對數(shù)差分圖中每個樣本的5×5鄰域送入訓練好的elm中，獲得目標區(qū)域的變化檢測結果；步驟107：結束基于樣本自標定elm的在軌sar圖像變化檢測方法。本發(fā)明通過提出的樣本自標定策略，從待檢測sar圖像中自動提取出需要的嚴格變化樣本和嚴格未變化樣本作為elm的訓練數(shù)據(jù)，能夠同時應用于不同成像方式及不同分辨率的sar圖像的變化檢測中，在利用了有監(jiān)督檢測算法的優(yōu)勢的前提下避免了人工的參與。方法思路清晰簡單，全程自動化決策，具備優(yōu)秀的檢測精度。