應(yīng)的概率密度函數(shù)的分布參數(shù)，主、輔SAR圖像為包括同一對(duì)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(jù)主、輔SAR圖像各自的紋理圖像、斑噪?yún)f(xié)方差圖 像和概率密度函數(shù)的分布參數(shù)，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(duì)比主、輔SAR圖像得到差異信息，基于差異信息確定相對(duì)于主、輔SAR圖像的差異 圖像；比對(duì)模塊，其配置為將差異圖像與主SAR圖像和/或輔SAR圖像進(jìn)行比對(duì)，以檢測出 變化區(qū)域。
[0022] 作為優(yōu)選，上述裝置進(jìn)一步包括：區(qū)域匹配模塊，其配置為對(duì)接收的主、輔SAR圖 像進(jìn)行同一對(duì)象區(qū)域的對(duì)應(yīng)匹配。
[0023] 本發(fā)明相對(duì)于現(xiàn)有技術(shù)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(duì)于現(xiàn)有技術(shù)具有高的檢測率和更低的虛警率，實(shí)現(xiàn)PolSAR影像的高可信檢測，能 夠進(jìn)一步推動(dòng)SAR成像新理論、新方法的發(fā)展和應(yīng)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?qū)崿F(xiàn) 對(duì)高分辨率全極化SAR圖像的精確擬合；
[0026] 3、確定一種對(duì)應(yīng)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(shí)考慮了紋理和斑噪的變化；
[0027] 4、相對(duì)于基于Wishart距離的變化檢測方法，根據(jù)本發(fā)明技術(shù)方案的方法具有更 高的檢測率和更低的虛警率。
[0028] 針對(duì)于傳統(tǒng)極化SAR乘性模型的不足（即，現(xiàn)有技術(shù)中多視極化SAR乘性模型都 是基于紋理均值為1的假設(shè)推導(dǎo)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(dǎo)了模型中相應(yīng)的斑噪?yún)f(xié)方差矩陣的估計(jì)方法，該模型中充分考慮地物紋理不 均勻分布，能夠?qū)崿F(xiàn)對(duì)高分辨率全極化SAR圖像的精確擬合。根據(jù)本發(fā)明實(shí)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(gè)相應(yīng)的全極化SAR變化測度，在這一 變化測度中，同時(shí)包含了紋理信息和斑噪?yún)f(xié)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(shí)現(xiàn)PolSAR影像的高可信檢測，能夠進(jìn)一步推動(dòng)SAR成像新理論、新 方法的發(fā)展和應(yīng)用。
【附圖說明】
[0029] 圖1為根據(jù)本發(fā)明實(shí)施例的方法的流程圖；
[0030] 圖2為如圖2所示為根據(jù)本發(fā)明的一個(gè)實(shí)施例的方法的流程圖；
[0031] 圖3a為根據(jù)本發(fā)明實(shí)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(jù)本發(fā)明實(shí)施例的從主圖像的像素斑噪?yún)f(xié)方差矩陣圖像內(nèi)任意選取的 像素1進(jìn)行迭代算法的收斂情況；
[0034] 圖4b為根據(jù)本發(fā)明實(shí)施例的從輔圖像的像素斑噪?yún)f(xié)方差矩陣圖像內(nèi)任意選取的 像素2進(jìn)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(shí)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(xiàn)有技術(shù)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(gè)差異圖的ROC曲線的示意圖；
[0040] 圖8a為對(duì)圖6a所示差異圖的二值化掩膜進(jìn)行KI閾值分割后的示意圖；
[0041] 圖8b為對(duì)圖8a所不圖進(jìn)彳丁連通區(qū)搜索后的TK意圖；
[0042] 圖9為根據(jù)本發(fā)明的實(shí)施例對(duì)圖8b所示圖進(jìn)行形態(tài)學(xué)運(yùn)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(jìn)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(shí)施方式】
[0046] 以下結(jié)合附圖對(duì)本發(fā)明的進(jìn)行詳細(xì)描述。
[0047] 根據(jù)本發(fā)明的實(shí)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(gè)像素點(diǎn)均具有獨(dú)立的紋理參數(shù)和斑噪?yún)?shù)，在本發(fā)明中每個(gè)像素點(diǎn)的紋 理參數(shù)以τ表示，τ為正隨機(jī)變量，一幅全極化SAR圖像的所有像素點(diǎn)的紋理參數(shù)τ可組 成對(duì)應(yīng)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(shù)的分布參數(shù)以P τ ( τ ) 表示，在已知紋理圖像的情況下，可以通過假設(shè)紋理圖像的概率密度函數(shù)從而得出其分布 參數(shù)Ρτ(τ)，而在本發(fā)明中每個(gè)像素點(diǎn)的斑噪?yún)?shù)以斑噪?yún)f(xié)方差函數(shù)Σ表示，即一幅全極 化SAR圖像的所有像素點(diǎn)的斑噪?yún)?shù)Σ也可組成對(duì)應(yīng)于該全極化SAR圖像的斑噪?yún)f(xié)方差 圖像。
[0048] 此外，通常將全極化SAR圖像存儲(chǔ)為L視下未標(biāo)準(zhǔn)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(shù)。
[0049] 如圖1所示為根據(jù)本發(fā)明實(shí)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(duì)先后接收的全極化 主、輔SAR圖像進(jìn)行擬合，以分別得到主、輔SAR圖像的紋理圖像τ、斑噪?yún)f(xié)方差圖像Σ，并 分別根據(jù)主、輔SAR圖像的紋理圖像確定其對(duì)應(yīng)的概率密度函數(shù)的分布參數(shù)P τ ( τ )，主、輔 SAR圖像為包括同一對(duì)象區(qū)域的高分辨率極化SAR圖像，其中，本發(fā)明的目標(biāo)在于確定主、 輔SAR圖像的變化，因而可以根據(jù)用戶自行需求設(shè)置文中"先后"的時(shí)間間隔；
[0051] 步驟S4 :根據(jù)主、輔SAR圖像各自的紋理圖像、斑噪?yún)f(xié)方差圖像和概率密度函數(shù)的 分布參數(shù)，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(duì)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(duì)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(jìn)行比對(duì)，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(duì)于基于均勻紋理的現(xiàn)有技術(shù)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(jù)本發(fā)明實(shí)施例的方法可以進(jìn)一步包括：
[0055] 步驟Sl :對(duì)接收的主、輔SAR圖像進(jìn)行同一對(duì)象區(qū)域的對(duì)應(yīng)匹配，即對(duì)于主、輔SAR 圖像中的相應(yīng)區(qū)域進(jìn)行匹配使得主輔SAR圖像內(nèi)的各點(diǎn)能夠一一對(duì)應(yīng)，從而使得后續(xù)比對(duì) 操作時(shí)基于對(duì)應(yīng)區(qū)域進(jìn)行。步驟Sl屬于對(duì)主、輔SAR圖像進(jìn)行預(yù)處理，由于SAR圖像容易 受到斑噪的影響，對(duì)圖像進(jìn)行濾波處理會(huì)有利于圖像的解譯。但是，根據(jù)本發(fā)明的實(shí)施例所 采用的多視極化SAR乘性模型（在實(shí)際應(yīng)用中也可稱為全極化SAR圖像雜波模型）正是針 對(duì)于SAR圖像內(nèi)斑噪的形成機(jī)理建立的，對(duì)SAR圖像進(jìn)行去噪反而會(huì)影響到雜波模型的擬 合精度。因此，本發(fā)明的預(yù)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(shù)不夠大，其中，等效視數(shù)為圖像的一個(gè)參數(shù)，參考本領(lǐng)域技術(shù)人員的公知即可定義"等效 視數(shù)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(duì)主、輔SAR 圖像進(jìn)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(shù)推導(dǎo)主、輔SAR圖 像的紋理圖像、斑噪?yún)f(xié)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(shù)為：
[0059] 其中，L代表多視為L視，W為L視下未標(biāo)準(zhǔn)化的極化相干矩陣，Pw為W的概率密 度函數(shù)，其推導(dǎo)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(nèi)一 含像素的紋理參數(shù)），Σ為斑噪?yún)f(xié)方差矩陣，rp(L)為L視下概率密度函數(shù)的復(fù)數(shù)形式的 多兀Gamma函數(shù)。
[0060] 進(jìn)一步優(yōu)選地，步驟S2中的分別根據(jù)主、輔SAR圖像的紋理圖像確定其對(duì)應(yīng)的紋 理圖像的概率密度函數(shù)的分布參數(shù)可以包括：
[0061] 設(shè)置主、輔SAR圖像的紋理圖像以符合Gamma函數(shù)分布，由于紋理是不均勻的，用 戶可以根據(jù)需求設(shè)置紋理圖像符合本領(lǐng)域公知技術(shù)中的其他函數(shù)分布，Ga_a函數(shù)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