基于曲线波DSN的极化SAR影像变化检测

发布时间：2021-11-28 15:39

　　极化合成孔径雷达（Synthetic Aperture Radar,SAR）影像的变化检测是根据同地物不同时相的极化SAR影像,检测其发生变化的区域的一种技术,它是监测军事情报、检测自然灾害等领域的关键技术。传统的极化SAR影像变化检测技术需要人工提取特征,过程繁琐,计算量较大;对极化SAR影像数据的分辨率、极化特性、分布特性等要求较高。为了解决这些问题,本文提出一种新的基于深度学习进行极化SAR影像变化检测的思路,利用深度学习突出的特征提取能力,结合极化SAR影像的极化特征对变化区域进行检测。本文的主要工作如下:（1）提出一种基于深度堆栈网络（Deep Stacking Network,DSN）的极化SAR影像变化检测算法。该算法克服了传统算法计算繁琐,对图像要求较高的弊端,并利用了深度学习可以有效提取特征的优势,提高了极化SAR影像变化检测的精度。该算法主要思想是将变化检测看作二分类问题,构建二分类的DSN,利用预处理后的两幅同地物不同时相的极化SAR影像训练DSN,从而对变化与未变化的样本进行分类,得到变化检测结果。（2）提出一种基于曲线波深度卷积堆栈网络（Deep Convol... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：99 页

【学位级别】：硕士

【部分图文】：

东京地区的第一组数据

域与非变化区域差别较大，所以使用该区域的影像做变化检测任务难度小（a）2006 年 7 月获得的影像 （b）2009 年 4 月获得的影像图 2.3 东京地区的第一组数据第二组数据和第三组数据的地物特征如图 2.4 和图 2.5 所示，图像大小500。这两幅影像地物特征比较复杂，变化部分与未变化部分的地物结构比且数据分布比较类似。导致其特征区分比较困难，加大了神经网络训练的难

（a）2006 年 7 月获得的影像 （b）2009 年 4 月获得的影像图 2.3 东京地区的第一组数据第二组数据和第三组数据的地物特征如图 2.4 和图 2.5 所示，图像大小500。这两幅影像地物特征比较复杂，变化部分与未变化部分的地物结构比且数据分布比较类似。导致其特征区分比较困难，加大了神经网络训练的难（a）2006 年 7 月获得的影像 （b）2009 年 4 月获得的影像图 2.4 东京地区的第二组数据

【参考文献】：
期刊论文
[1]基于极化状态提取的极化SAR图像变化检测算法[J]. 韩萍,丛润民,张在吉.  系统工程与电子技术. 2015(07)
[2]基于Cloude-Pottier目标分解和聚合的层次聚类算法的全极化SAR数据的非监督分类算法研究[J]. 曹芳,洪文,吴一戎.  电子学报. 2008(03)



本文编号：3524692