應的概率密度函數的分布參數，主、輔SAR圖像為包括同一對象區(qū)域的高分辨率全極化 SAR圖像；差異信息確定模塊，其配置為根據主、輔SAR圖像各自的紋理圖像、斑噪協方差圖 像和概率密度函數的分布參數，并通過基于極不均勻紋理的多視極化SAR乘性模型的相似 性度量對比主、輔SAR圖像得到差異信息，基于差異信息確定相對于主、輔SAR圖像的差異 圖像；比對模塊，其配置為將差異圖像與主SAR圖像和/或輔SAR圖像進行比對，以檢測出 變化區(qū)域。
[0022] 作為優(yōu)選，上述裝置進一步包括：區(qū)域匹配模塊，其配置為對接收的主、輔SAR圖 像進行同一對象區(qū)域的對應匹配。
[0023] 本發(fā)明相對于現有技術的有益效果在于：
[0024] 1、基于極不均勻紋理的多視極化SAR乘性模型檢測出全極化SAR圖像的變化區(qū) 域，相對于現有技術具有高的檢測率和更低的虛警率，實現PolSAR影像的高可信檢測，能 夠進一步推動SAR成像新理論、新方法的發(fā)展和應用；
[0025] 2、確定一種多視PolSAR乘性模型，能夠充分考慮地物紋理不均勻分布，能夠實現 對高分辨率全極化SAR圖像的精確擬合；
[0026] 3、確定一種對應于上述多視PolSAR乘性模型的全極化SAR變化測度，該變化測度 中同時考慮了紋理和斑噪的變化；
[0027] 4、相對于基于Wishart距離的變化檢測方法，根據本發(fā)明技術方案的方法具有更 高的檢測率和更低的虛警率。
[0028] 針對于傳統(tǒng)極化SAR乘性模型的不足（即，現有技術中多視極化SAR乘性模型都 是基于紋理均值為1的假設推導的），本文提出一種極不均勻紋理的多視的極化SAR乘性 模型，并推導了模型中相應的斑噪協方差矩陣的估計方法，該模型中充分考慮地物紋理不 均勻分布，能夠實現對高分辨率全極化SAR圖像的精確擬合。根據本發(fā)明實施例的多視極 化SAR乘性模型，基于相似性度量的方法，提出了一個相應的全極化SAR變化測度，在這一 變化測度中，同時包含了紋理信息和斑噪協方差矩陣的變化信息，這更有利于提取更為全 面的全極化SAR圖像的變化信息，在此測度上，提出了一種基于極不均勻紋理模型的全極 化SAR變化檢測方法，實現PolSAR影像的高可信檢測，能夠進一步推動SAR成像新理論、新 方法的發(fā)展和應用。
【附圖說明】
[0029] 圖1為根據本發(fā)明實施例的方法的流程圖；
[0030] 圖2為如圖2所示為根據本發(fā)明的一個實施例的方法的流程圖；
[0031] 圖3a為根據本發(fā)明實施例的某城區(qū)的影像在2009年4月9日的Pauli合成圖；
[0032] 圖3b為圖3a中的城區(qū)的影像在2010年6月15日的Pauli合成圖；
[0033] 圖4a為根據本發(fā)明實施例的從主圖像的像素斑噪協方差矩陣圖像內任意選取的 像素1進行迭代算法的收斂情況；
[0034] 圖4b為根據本發(fā)明實施例的從輔圖像的像素斑噪協方差矩陣圖像內任意選取的 像素2進行迭代算法的收斂情況；
[0035] 圖5a為2009年得到的主圖像通過迭代算法得到的紋理圖像的示意圖；
[0036] 圖5b為2010年得到的輔圖像通過迭代算法得到的紋理圖像的示意圖；
[0037] 圖6a為基于本發(fā)明實施例的相似性度量得到的主、輔圖像的差異圖；
[0038] 圖6b為基于現有技術中的Wishart距離得到的主、輔圖像的差異圖；
[0039] 圖7為圖6a和圖6b所示的兩個差異圖的ROC曲線的示意圖；
[0040] 圖8a為對圖6a所示差異圖的二值化掩膜進行KI閾值分割后的示意圖；
[0041] 圖8b為對圖8a所不圖進彳丁連通區(qū)搜索后的TK意圖；
[0042] 圖9為根據本發(fā)明的實施例對圖8b所示圖進行形態(tài)學運算后的示意圖；
[0043] 圖IOa為將圖9變化區(qū)域與2009年該地區(qū)分類圖進行融合后的示意圖；
[0044] 圖IOb為圖IOa所示的地區(qū)在2010年的分類示意圖；
[0045] 圖IOc為圖IOa和圖IOb所示圖中的各部分所分別代表的地理形態(tài)的示意圖。
【具體實施方式】
[0046] 以下結合附圖對本發(fā)明的進行詳細描述。
[0047] 根據本發(fā)明的實施例，提供了一種全極化SAR圖像的變化區(qū)域的方法。其中，全極 化SAR圖像的每個像素點均具有獨立的紋理參數和斑噪參數，在本發(fā)明中每個像素點的紋 理參數以τ表示，τ為正隨機變量，一幅全極化SAR圖像的所有像素點的紋理參數τ可組 成對應于該全極化SAR圖像的紋理圖像，該紋理圖像的概率密度函數的分布參數以P τ ( τ ) 表示，在已知紋理圖像的情況下，可以通過假設紋理圖像的概率密度函數從而得出其分布 參數Ρτ(τ)，而在本發(fā)明中每個像素點的斑噪參數以斑噪協方差函數Σ表示，即一幅全極 化SAR圖像的所有像素點的斑噪參數Σ也可組成對應于該全極化SAR圖像的斑噪協方差 圖像。
[0048] 此外，通常將全極化SAR圖像存儲為L視下未標準化的全極化W或者Τ，由于在多 視情況下T = W/L，因而T與W的地位相同，其中，L代表視數。
[0049] 如圖1所示為根據本發(fā)明實施例的方法，該方法可以包括：
[0050] 步驟S2 :使用基于極不均勻紋理的多視極化SAR乘性模型對先后接收的全極化 主、輔SAR圖像進行擬合，以分別得到主、輔SAR圖像的紋理圖像τ、斑噪協方差圖像Σ，并 分別根據主、輔SAR圖像的紋理圖像確定其對應的概率密度函數的分布參數P τ ( τ )，主、輔 SAR圖像為包括同一對象區(qū)域的高分辨率極化SAR圖像，其中，本發(fā)明的目標在于確定主、 輔SAR圖像的變化，因而可以根據用戶自行需求設置文中"先后"的時間間隔；
[0051] 步驟S4 :根據主、輔SAR圖像各自的紋理圖像、斑噪協方差圖像和概率密度函數的 分布參數，并通過基于極不均勻紋理的多視極化SAR乘性模型的相似性度量對比主、輔SAR 圖像的差異圖像得到差異信息，基于差異信息確定相對于主、輔SAR圖像的差異圖像；
[0052] 步驟S6 :將差異圖像與主SAR圖像和/或輔SAR圖像進行比對，以檢測出變化區(qū) 域。
[0053] 通過該方法可以基于極不均勻紋理的多視極化SAR乘性模型檢測出全極化SAR圖 像的變化區(qū)域，因而相對于基于均勻紋理的現有技術的檢測方案來說具有更高的檢測率和 更低的虛警率。
[0054] 并且，在步驟S2之前，根據本發(fā)明實施例的方法可以進一步包括：
[0055] 步驟Sl :對接收的主、輔SAR圖像進行同一對象區(qū)域的對應匹配，即對于主、輔SAR 圖像中的相應區(qū)域進行匹配使得主輔SAR圖像內的各點能夠一一對應，從而使得后續(xù)比對 操作時基于對應區(qū)域進行。步驟Sl屬于對主、輔SAR圖像進行預處理，由于SAR圖像容易 受到斑噪的影響，對圖像進行濾波處理會有利于圖像的解譯。但是，根據本發(fā)明的實施例所 采用的多視極化SAR乘性模型（在實際應用中也可稱為全極化SAR圖像雜波模型）正是針 對于SAR圖像內斑噪的形成機理建立的，對SAR圖像進行去噪反而會影響到雜波模型的擬 合精度。因此，本發(fā)明的預處理在一般情況下可以省略圖像濾波的步驟，除非圖像的等效視 數不夠大，其中，等效視數為圖像的一個參數，參考本領域技術人員的公知即可定義"等效 視數不夠大"的情況。
[0056] 優(yōu)選地，步驟S2中的使用基于極不均勻紋理的多視極化SAR乘性模型對主、輔SAR 圖像進行擬合包括：使用基于極不均勻紋理的乘性模型的概率密度函數推導主、輔SAR圖 像的紋理圖像、斑噪協方差圖像。
[0057] 基于極不均勻紋理的乘性模型的概率密度函數為：
[0059] 其中，L代表多視為L視，W為L視下未標準化的極化相干矩陣，Pw為W的概率密 度函數，其推導方法在下文中具體描述，τ表示圖像的紋理（也可稱為主、輔SAR圖像內一 含像素的紋理參數），Σ為斑噪協方差矩陣，rp(L)為L視下概率密度函數的復數形式的 多兀Gamma函數。
[0060] 進一步優(yōu)選地，步驟S2中的分別根據主、輔SAR圖像的紋理圖像確定其對應的紋 理圖像的概率密度函數的分布參數可以包括：
[0061] 設置主、輔SAR圖像的紋理圖像以符合Gamma函數分布，由于紋理是不均勻的，用 戶可以根據需求設置紋理圖像符合本領域公知技術中的其他函數分布，Ga_a函數分布僅 作為一種優(yōu)選。
[0062] 此外，基于極不均勻紋理的多視極化SAR乘性模型的相似性度量可以為：
[0063] Sp = MLLp (X) +MLLp (Y) -MLLp (X U