[发明专利]基于极化统计散射成分迁移的极化SAR影像变化检测方法

说明书

本公开实施例中提供了一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，属于遥感影像数据处理技术领域，具体包括：获取时序极化SAR数据，其中，时序极化SAR数据包括源域S的时序A极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；时序数据统计散射成分SSC特征提取；源域SSC特征和目标域SSC特征无监督域适应；源域训练模型；基于源域样本的多时相目标域T的极化SAR影像数据跨域分类；多时相数据变化区域获取及变化类别跟踪。通过本公开的方案，将有限的标注样本在不同时相数据之间进行重复使用，以获取快速准确的地物变化检测和地物类别具体转变信息，提高了检测的效率、精准度和适应性。

技术领域

本公开实施例涉及遥感影像数据处理技术领域，尤其涉及一种基于极化统计散射成分迁移的极化SAR影像变化检测方法。

背景技术

目前，相比于光学遥感影像，极化合成孔径雷达(Polarimetric SyntheticAperture Radar,PolSAR)通过主动微波成像能全天时、全天候、大幅面获取地表极化散射信息，能有效克服多云多雨区域成像信息缺失以及云雨烟雾光照等因素的影响，为土地覆盖变化监测应用提供散射信息全面的数据基础。随着国内外诸多PolSAR系统陆续投入生产应用，Sentinel-1、TerraSAR-X、RadarSat-2、ALOS-2/PALSAR-2等星载系统及Pi-SAR、UAVSAR等机载系统，都积累了大量时序PolSAR数据。近年来，高分三号(GF-3)、陆地探测一号系列卫星的成功发射标志着我国PolSAR系统也呈现多通道、多观测角、高时相、高分辨率等发展态势。海量PolSAR影像的累积为土地覆盖变化监测提供了有效数据支持的同时，人工标注样本低效性和时序数据异质性也对PolSAR影像解译模式提出了新的挑战。

由于成像参数及地物分布朝向等差异，在不同时相甚至同一PolSAR影像内同类地物散射特性存在分布偏差，这种散射特征“同质异谱”导致极化特征分布偏移，至今仍制约机器学习对大规模PolSAR影像解译的应用。传统监督学习方法无法克服这种特征偏移，需要对不同时相数据单独标注样本才能获取地物解译信息。另一方面，SAR影像样本标注通常需要专家知识且耗时费力，基于监督机器学习的解译方法依赖大量同质标注样本，严重制约了长时序PolSAR影像的解译效率和变化信息准确跟踪应用。同一地区时序数据可能来自于不同传感器，由于标注样本受限，降低了新近时序PolSAR数据解译时效性，不利于快速准确解译地物覆盖变化监测信息。此外，传统以双帧比较为主的变化检测，通常聚焦是否发生变化的单一检测，缺少具体的地物覆盖类别变化信息，难以满足精细化土地覆盖变化监测应用需求。因此，时序PolSAR面临的大数据小样本和特征域分布偏移问题对传统的变化监测模式提出了新挑战。

可见，亟需一种检测效率、精准度和适应性强的基于极化统计散射成分迁移的极化SAR影像变化检测方法。迁移学习作为可实现不同时相影像模型知识和标注样本迁移复用的有效途径，逐渐受到关注；如何利用迁移学习思想，使有限标注样本或模型知识对新近无标注PolSAR发挥迁移训练作用，从而提高时序PolSAR变化监测效率和精度，是当前的研究热点及难点之一。然而，由于成像特殊性和参数复杂性，针对自然和光学影像的迁移模型难以直接适配于PolSAR影像，亟需研究适配极化特性的迁移学习模型以提升时序PolSAR解译泛化性和时效性。鉴于极化散射机理模型对不同波段不同源PolSAR数据的建模泛化能力，以及迁移学习模型对异源数据内在模式和规律的统一表达能力，本专利发明一种基于极化统计散射成分迁移的极化SAR影像变化检测方法。本专利旨在实现将有限的标注样本在不同时相数据之间进行重复使用，以获取快速准确的地物变化检测和地物类别具体转变信息。

发明内容

有鉴于此，本公开实施例提供一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，可以克服时序PolSAR数据之间的分布偏移，进而将有限的标注样本在更多的时序PolSAR数据变化解译中发挥作用。本发明有利于解决现有技术中存在检测效率、精准度和适应性较差的问题。

本公开实施例提供了一种基于极化统计散射成分迁移的极化SAR影像变化检测方法，包括：