主权项 |
一种基于极化相似因子的微弱变化检测方法,其特征在于:所述的方法包括以下步骤:(1)利用微波传感器获取极化图像HH通道和VV通道的数据矩阵S<sub>HH</sub>、S<sub>VV</sub>,设定极化图像长×宽为H×W,则矩阵S<sub>HH</sub>、S<sub>VV</sub>各有H×W个元素,由此计算出此极化图像通道间的复相关系数γ,计算公式为:<maths num="0001"><math><![CDATA[<mrow><mi>γ</mi><mo>=</mo><mfrac><mrow><mo>|</mo><mi>R</mi><mo>|</mo></mrow><msqrt><mrow><msub><mi>σ</mi><mrow><mi>H</mi><mi>H</mi></mrow></msub><msub><mi>σ</mi><mrow><mi>V</mi><mi>V</mi></mrow></msub></mrow></msqrt></mfrac></mrow>]]></math><img file="FDA0000988300580000011.GIF" wi="429" he="230" /></maths>其中,<maths num="0002"><math><![CDATA[<mrow><msub><mi>σ</mi><mrow><mi>H</mi><mi>H</mi></mrow></msub><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msup><mrow><mo>|</mo><msub><mi>S</mi><mrow><msub><mi>HH</mi><mi>k</mi></msub></mrow></msub><mo>|</mo></mrow><mn>2</mn></msup><mo>,</mo><msub><mi>σ</mi><mrow><mi>V</mi><mi>V</mi></mrow></msub><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msup><mrow><mo>|</mo><msub><mi>S</mi><mrow><msub><mi>VV</mi><mi>k</mi></msub></mrow></msub><mo>|</mo></mrow><mn>2</mn></msup><mo>,</mo><mi>R</mi><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>S</mi><mrow><msub><mi>HH</mi><mi>k</mi></msub></mrow></msub><msubsup><mi>S</mi><mrow><msub><mi>VV</mi><mi>k</mi></msub></mrow><mo>*</mo></msubsup></mrow>]]></math><img file="FDA0000988300580000012.GIF" wi="1582" he="183" /></maths>式中,N=H×W,<img file="FDA0000988300580000013.GIF" wi="126" he="87" />为矩阵S<sub>HH</sub>的第k个元素,<img file="FDA0000988300580000014.GIF" wi="101" he="85" />为矩阵S<sub>VV</sub>的第k个元素,<img file="FDA0000988300580000015.GIF" wi="122" he="70" />为<img file="FDA0000988300580000016.GIF" wi="98" he="78" />的伴随矩阵;(2)对于同一地点不同时间获得的两幅多极化微波遥感图像对A和B,运用步骤(1)所述的公式分别计算出两幅图像对A和B各自的HH通道和VV通道间的复相关系数γ<sub>A</sub>和γ<sub>B</sub>;(3)计算极化相似因子在图像对A和B中设置一个兴趣像素点P,然后以该兴趣像素点P为中心放置一个n×n的滑窗,根据以下公式计算图像对A和B的兴趣像素点P的极化相似因子SF(A,B)<sub>P</sub>:<maths num="0003"><math><![CDATA[<mfenced open = "" close = ""><mtable><mtr><mtd><mrow><mi>S</mi><mi>F</mi><msub><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mi>P</mi></msub><mo>=</mo><mi>H</mi><msub><mrow><mo>(</mo><mi>A</mi><mo>)</mo></mrow><mi>P</mi></msub><mo>+</mo><mi>H</mi><msub><mrow><mo>(</mo><mi>B</mi><mo>)</mo></mrow><mi>P</mi></msub><mo>-</mo><mi>H</mi><msub><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mi>P</mi></msub></mrow></mtd></mtr><mtr><mtd><mrow><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><mo>Σ</mo><msub><mi>h</mi><mrow><msub><mi>AB</mi><mi>P</mi></msub></mrow></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>A</mi></msub><mo>,</mo><msub><mi>γ</mi><mi>B</mi></msub><mo>)</mo></mrow><mi>log</mi><mfrac><mrow><msub><mi>h</mi><mrow><msub><mi>AB</mi><mi>P</mi></msub></mrow></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>A</mi></msub><mo>,</mo><msub><mi>γ</mi><mi>B</mi></msub><mo>)</mo></mrow><mi>N</mi></mrow><mrow><msub><mi>h</mi><msub><mi>A</mi><mi>P</mi></msub></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>A</mi></msub><mo>)</mo></mrow><msub><mi>h</mi><msub><mi>B</mi><mi>P</mi></msub></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>B</mi></msub><mo>)</mo></mrow></mrow></mfrac></mrow></mtd></mtr></mtable></mfenced>]]></math><img file="FDA0000988300580000017.GIF" wi="1029" he="278" /></maths>其中,<maths num="0004"><math><![CDATA[<mrow><mi>H</mi><msub><mrow><mo>(</mo><mi>A</mi><mo>)</mo></mrow><mi>P</mi></msub><mo>=</mo><mo>-</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><msub><mi>Σh</mi><msub><mi>A</mi><mi>P</mi></msub></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>A</mi></msub><mo>)</mo></mrow><mi>l</mi><mi>o</mi><mi>g</mi><mfrac><mrow><msub><mi>h</mi><msub><mi>A</mi><mi>P</mi></msub></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>A</mi></msub><mo>)</mo></mrow></mrow><mi>N</mi></mfrac></mrow>]]></math><img file="FDA0000988300580000021.GIF" wi="894" he="151" /></maths><maths num="0005"><math><![CDATA[<mrow><mi>H</mi><msub><mrow><mo>(</mo><mi>B</mi><mo>)</mo></mrow><mi>P</mi></msub><mo>=</mo><mo>-</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><msub><mi>Σh</mi><msub><mi>B</mi><mi>P</mi></msub></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>B</mi></msub><mo>)</mo></mrow><mi>l</mi><mi>o</mi><mi>g</mi><mfrac><mrow><msub><mi>h</mi><msub><mi>B</mi><mi>P</mi></msub></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>B</mi></msub><mo>)</mo></mrow></mrow><mi>N</mi></mfrac></mrow>]]></math><img file="FDA0000988300580000022.GIF" wi="878" he="149" /></maths>式中,γ<sub>A</sub>,γ<sub>B</sub>是两幅极化图像对应的通道间的复相关系数,<img file="FDA0000988300580000023.GIF" wi="171" he="69" />和<img file="FDA0000988300580000024.GIF" wi="166" he="71" />是对应滑窗内通道间的复相关系数的直方图,N=n×n是滑窗的直方图中像素的个数;<maths num="0006"><math><![CDATA[<mrow><mi>H</mi><msub><mrow><mo>(</mo><mi>A</mi><mo>,</mo><mi>B</mi><mo>)</mo></mrow><mi>P</mi></msub><mo>=</mo><mo>-</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><msub><mi>Σh</mi><mrow><msub><mi>AB</mi><mi>P</mi></msub></mrow></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>A</mi></msub><mo>,</mo><msub><mi>γ</mi><mi>B</mi></msub><mo>)</mo></mrow><mi>l</mi><mi>o</mi><mi>g</mi><mfrac><mrow><msub><mi>h</mi><mrow><msub><mi>AB</mi><mi>P</mi></msub></mrow></msub><mrow><mo>(</mo><msub><mi>γ</mi><mi>A</mi></msub><mo>,</mo><msub><mi>γ</mi><mi>B</mi></msub><mo>)</mo></mrow></mrow><mi>N</mi></mfrac></mrow>]]></math><img file="FDA0000988300580000025.GIF" wi="1214" he="158" /></maths>式中,<img file="FDA0000988300580000026.GIF" wi="273" he="71" />是对应滑窗内通道间的复相关系数的联合直方图,N=n×n是滑窗的联合直方图中像素的个数;(4)获取极化相似因子矩阵重新选择一个兴趣像素点Q,同时以该兴趣像素点Q为中心移动滑窗,计算新的滑窗里的极化相似因子SF(A,B)<sub>Q</sub>,再次重选新的兴趣像素点和计算新的滑窗里的极化相似因子,直到选择的兴趣像素点遍历完所有的像素点,获得所有H×W个兴趣像素点的极化相似因子,组成一个H×W的极化相似因子矩阵;(5)采用自适应门限获取方法设定门限,步骤(4)中所述的极化相似因子矩阵低于门限的部分为检测出的变化区域;通过以上所述的步骤,即可提取出两幅极化图像之间的极化相似因子,从而得到变化检测结果。 |