(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 202211023534.7 (22)申请日 2022.08.24 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 李明　徐大治　吴艳　张鹏　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 辛菲 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) (54)发明名称 基于区域相对峰值与VIT的无监督极化SAR 图像变化检测方法 (57)摘要 本发明公开了一种基于区域相对峰值与VIT 的无监督极化SAR图像变化检测方法， 通过对多 时相的极化SAR图像进行配准并提取边缘信息和 区域相对峰值， 利用边缘信息对区域相对峰值进 行修正， 重构极化SAR图像对的差异图； 该差异图 根据边缘修正区域相对峰值 以及多尺度超像素 重构得到， 避免现有技术导致的变化信息丢失以 及无法准确检测变化结果的缺陷， 之后再对差异 图进行双阈值分割生成伪标记图； 以伪标记图构 建样本从而训练VIT网络以感知复杂后向散射特 性的多时相极化SAR图像的变化特征， 之后使用 该网络进行变化检测， 本发明提高了边界定位能 力以及对变化信息的保持能力， 有效地提升了极 化SAR变化检测的总体精度与区域内部一 致性。 权利要求书2页 说明书10页 附图4页 CN 115546627 A 2022.12.30 CN 115546627 A 1.一种基于区域相对峰值与VIT 的无监督极化SAR图像变化检测方法， 其特征在于， 包 括： 步骤1： 获取同一地区的双时相的原始极化SA R图像， 并对所述双时相的原始极化SA R图 像进行配准， 获得配准后的极化SAR图像对； 步骤2： 提取 所述极化SAR图像对的边 缘信息以及区域相对峰值； 步骤3： 利用每个所述极化SAR图像的边缘信息对每个所述极化SAR图像的相对峰值进 行修正， 获得所述极化SAR图像对的边 缘修正相对峰值； 步骤4： 利用所述边缘修正相对峰值重构得到所述极化SAR图像对的多尺度超像素重构 差异图； 步骤5： 对每个所述极化SAR图像的多尺度超像素重构差异图进行双阈值分割标记， 得 到伪标记图； 其中， 所述伪标记图包 含变化区域、 未变化区域以及未知区域； 步骤6： 根据伪标记图中的变化区域、 未变化区域构造标注标签的训练样本以及根据伪 标记图中的未知区域构造不含标签的预测样本； 步骤7： 将所述训练样本作 为预设的VIT网络的输入， 将所述伪标记图中的变化区域、 未 变化区域作为像素类别标签， 迭代训练所述预设的V IT网络直至达到训练截止条件， 获得训 练好的VIT网络； 步骤8： 将所述预测 样本输入训练好的VIT网络中， 得到预测所述双时相的原始极化SA R 图像是否发生变化的检测结果。 2.根据权利要求1所述的一种基于区域相对峰值与VIT的无监督极化SAR图像变化检测 方法， 其特 征在于， 所述 步骤2中提取 所述极化SAR图像对的边 缘信息包括： 步骤2‑11： 计算所述极化SA R图像对中每个极化SA R图像的所有像素点对应的极化协方 差矩阵； 步骤2‑12： 提取每个极化协方差矩阵中的对角元素以及上三角元素的幅值， 得到所述 极化SAR图像对中每 个所述极化SAR图像的通道图像； 步骤2‑13： 使用边缘检测方法计算每个所述通道图像的边缘值， 得到每个所述通道图 像的多通道边 缘信息； 步骤2‑14： 计算每个所述通道图像的多通道边缘信息的平均 值， 得到每个所述极化SA R 图像的通道均值 边缘信息； 步骤2‑15： 对每个所述极化SAR图像的通道均值边缘信息求均值， 得到所述极化SAR图 像对的边 缘信息。 3.根据权利要求1所述的一种基于区域相对峰值与VIT的无监督极化SAR图像变化检测 方法， 其特 征在于， 所述 步骤2中提取 所述极化SAR图像对的相对峰值包括： 步骤2‑21： 根据极化SAR图像服从K ‑wishart分布的原则， 计算所述极化SAR图像对中每 个所述极化SAR图像的区域相对峰值， 得到每 个所述极化SAR图像的相对峰值 集合； 步骤2‑22： 对每个所述相对峰值集合求均值， 得到所述极化SAR图像对的区域相对峰 值。 4.根据权利要求1所述的一种基于区域相对峰值与VIT的无监督极化SAR图像变化检测 方法， 其特 征在于， 所述 步骤3包括：权　利　要　求　书 1/2 页 2 CN 115546627 A 2步骤3‑1： 利用阈值二值化方法对所述极化SAR图像对的边缘信息进行二值化分割， 得 到所述极化SAR图像对的边 缘信息对应的阈值； 步骤3‑2： 利用所述极化SA R图像对中每个像素点的边缘信息， 对所述极化SA R图像对的 相对峰值进行修 正， 得到所述极化SAR图像对修 正后的边 缘修正相对峰值。 5.根据权利要求2所述的一种基于区域相对峰值与VIT的无监督极化SAR图像变化检测 方法， 其特 征在于， 所述 步骤4包括： 步骤4‑1： 利用每个所述极化SA R图像对应的极化协方差矩阵以及所述边缘修正相对峰 值， 计算得到边 缘修正相对峰值差异图； 步骤4‑2： 利用超像素分割方法对所述边缘修正相对峰值差异图在多个尺度上进行超 像素分割， 得到超像素集 合； 步骤4‑3： 统计所述边缘修正相对峰值差异图在所述超像素集合范围内所有像素的平 均值以及中值， 得到所述边缘修正相对峰值差异图对应在所述超像素集合范围的均值集合 以及中值 集合； 步骤4‑4： 利用所述极化SAR图像对的边缘修正相对峰值、 所述边缘修正相对峰值差异 图、 所述均值集合以及所述中值集合， 重构得到所述极化SAR图像对的多尺度超像素重构 差 异图。 6.根据权利要求2所述的一种基于区域相对峰值与VIT的无监督极化SAR图像变化检测 方法， 其特 征在于， 所述 步骤6包括： 步骤6‑1： 将伪标记图中标注区域对应在极化协方差矩阵中的值与所述伪标记图中标 注区域对应在所述多尺度超像素重构 差异图中的差异值进 行逐像素邻域堆叠， 将堆叠结果 作为训练样本； 步骤6‑2： 将伪标记图中未知区域对应在极化协方差矩阵中的值与所述伪标记图中未 知区域对应在所述多尺度超像素重构 差异图中的差异值的行逐像素邻域堆叠， 将堆叠结果 作为预测样本 。权　利　要　求　书 2/2 页 3 CN 115546627 A 3