(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210645673.7 (22)申请日 2022.06.09 (71)申请人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 桂容　胡俊　吴文清　辜畅　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 丛诗洋 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/77(2022.01) G06V 10/764(2022.01) G06V 10/762(2022.01) (54)发明名称 基于极化统计散射成分迁移的极化SAR影像 变化检测方法 (57)摘要 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。 权利要求书1页 说明书9页 附图4页 CN 114913435 A 2022.08.16 CN 114913435 A 1.一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， 其特 征在于， 包括： 步骤1， 获取 时序极化SAR数据， 其 中， 所述时序极化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； 步骤2， 时序数据统计散射成分S SC特征提取； 步骤3， 源域S SC特征和目标域S SC特征无监督域适应； 步骤4， 源域训练模型； 步骤5， 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； 步骤6， 多时相数据变化区域获取及变化类别跟踪。 2.根据权利要求1所述的方法， 其特 征在于,所述 步骤2具体包括： 提取源域S的标注样本的统计散射成分特征FS和目标域T的无标注数据的统计散射成分 特征FT。 3.根据权利要求2所述的方法， 其特 征在于,所述 步骤2还包括： 步骤2.1， 提取源域S的标注样本和目标域T的无 标注数据的基础极化特 征； 步骤2.2， 将源域S的标注样本的基础极化特征和目标域T的无标注数据的基础极化特 征进行Wishart聚类， 得到初始化的每 个像素的分类结果； 步骤2.3， 统计全部像素的初始类别直方图， 直方图的维数对应分类 类别数目； 步骤2.4， 根据直方图获取本征维度估计， 并结合主成分分析将高维度的子块聚类标号 直方图统计特征降维为保留本征信息的低维特征， 形成统计散射成分特征FS和统计散射成 分特征FT。 4.根据权利要求3所述的方法， 其特 征在于,所述 步骤3具体包括： 利用无监督域适应方法将统计散射成分特征FS和统计散射成分特征FT的特征分布调整 为一致， 得到源域对齐特 征Fs*。 5.根据权利要求 4所述的方法， 其特 征在于,所述 步骤4具体包括： 利用已有的源域标签YS和源域对齐特 征Fs*训练分类 器分类模型W。 6.根据权利要求5所述的方法， 其特 征在于,所述 步骤5具体包括： 利用训练好的分类 器模型W直接对无 标注的目标域特 征FT进行分类。 7.根据权利要求6所述的方法， 其特 征在于,所述 步骤6具体包括： 对于分类结果， 基于预先配准或者地理编码信息， 将时序影像解译结果的变化信息进 行定位， 结合变化区域 位置检测类别变化信息 。权　利　要　求　书 1/1 页 2 CN 114913435 A 2基于极化统 计散射成分迁移的极化SAR影像变化检测方 法 技术领域 [0001]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 [0002]目前， 相比于光学遥感影像， 极化合成孔径雷达(Polarimetric  Synthetic   Aperture  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。 [0003]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P olSAR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。 [0004]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。说　明　书 1/9 页 3 CN 114913435 A 3