一种多尺度SAR影像变化检测可视化系统、电子设备及存储介质

本发明属于影像检测领域，尤其涉及一种多尺度sar影像变化检测可视化系统、电子设备及存储介质。

背景技术：

1、合成孔径雷达（synthetic aperture radar, sar）是一种主动式的微波探测设备，它的回波记录了目标或地物的散射强度信息和相位信息，散射强度反映了目标地物属性（含水量、粗糙度、地物类型等），相位信息则蕴含了雷达与目标之间的距离信息。sar图像变化检测被认为是一项重要的研究方向，其核心任务是运用计算机图像处理等领域的技术，分析不同时间点的遥感影像数据，以便精确识别地表地物的变化现象。该方法在农业、军事、自然灾害监测、森林资源调查以及城市规划与分析等学科领域中得到广泛应用。然而，由于sar图像中存在的相干斑点噪声问题，这使得变化检测精度不高，因此寻求准确的变化检测方法显得尤为紧迫。

2、sar图像变化检测流程主要可以分成以下三个步骤：（1）图像预处理（2）构造差异图（3）差异图分析。构建差异图的常用方法有比值法[1]、差值法、对数比值算法(log-ratio, lr)[2]、均值比值算法(mean-ratio, mr)[3]、基于邻域的比值差异图算法(neighborhood-based ratio, nr)[4]等。基于传统方法构造差异图存在因采用单一差异图而导致变化检测精度低和适用范围窄等缺点。在差异图分析方法研究中，学者们近年来主要通过深度学习和机器学习的分类器来实现变化检测。在差异图分析方法研究中，学者们近年来主要通过深度学习和机器学习的分类器来实现变化检测。主要分为两种类型：①早期融合结构：将多时相图像作为不同的通道叠加到网络中，进行多时相信息融合。同时，可以添加其他手动设计的功能，以增加不同任务的信息。②基于暹罗网络结构：将多时相图像输入到网络的不同分支中，提取其高级特征表示，然后进行变化检测。深度学习方法可以处理复杂和大规模sar数据的变化检测，但是其通常需要大量标注的数据来进行训练，不适用于小样本变化检测。

3、现有技术

4、①林娇等人提出了一种基于差异图构造与融合的sar图像变化检测方法，该方法首先基于lee滤波和srad(speckle reducing anisotropic diffusion ,srad)模型混合滤波实现sar图像预处理，在去除相干斑点噪声以及一些白色孤立噪声的同时，保持sar图像的边缘相对清晰；然后通过对数双曲余弦比方法构造出对数双曲余弦比值差异图和邻域比值差异图；再使用加入了双边滤波器和引导滤波器进行边缘预检测的小波融合方法进行差异图融合，得到最终的融合差异图；最后使用基于fcm(fuzzy c-means algorithm, fcm)算法进行预分类的cwnn卷积神经网络(convolutional wavelet neural networks, cwnn)进行差异图分析，得到最终的变化检测图。

5、②罗卿莉等人提出了一种sar影像变化检测的前景特征流形排序法，该方法首先进行了增强lee滤波预处理，然后通过单像素对数比算子及邻域对数比算子分别计算差异图，对两个差异图进行加权融合，构造最终的差异图，然后设计了一种结合超像素分割和前景特征流行排序的差异图分析方法，提高了sar影像边缘区域的变化检测精度。

6、现有技术缺陷

7、第一种技术方案使用基于fcm算法进行预分类的cwnn卷积神经网络进行差异图分析，对于仅有两张或极少数量的sar影像进行变化检测，深度学习和机器学习方法通常不太适用。因为它们需要足够多的数据来建立稳健的模型。

8、针对第二种技术方案，其捕获图像细节变化的能力不强，对观测时间间隔较短、变化不明显的sar图像进行变化检测效果不好。此外，进行超像素分割时由于sar影像分辨率较高、图像较大，导致运算速率过慢。

技术实现思路

1、为解决上述技术问题，本发明提出一种多尺度sar影像变化检测可视化、电子设备及存储介质的技术方案，以解决上述技术问题。

2、本发明第一方面公开了一种多尺度sar影像变化检测可视化系统；所述系统包括：图像预处理模块、sar影像短时序变化检测差异图构造模块、sar影像短时序变化检测显著图构造模块和sar影像短时序变化检测结果生成及可视化模块；

3、所述图像预处理模块对原始图像进行配准和增强lee滤波；

4、所述sar影像短时序变化检测差异图构造模块对配准和增强之后的原始图像计算像素级差异图；

5、如图4所示，所述sar影像短时序变化检测显著图构造模块在像素级差异图的预定义分辨率的顶层图像上执行超像素分割，之后再进行流行排序，生成超像素的显著性图；

6、如图5所示，所述sar影像短时序变化检测结果生成及可视化模块采用了假彩色合成的可视化方法，产生一幅伪彩色图像。

7、根据本发明第一方面的系统，所述对配准和增强之后的图像计算像素级差异图的方法包括：

8、对配准和增强之后的图像，采用lrpm算子计算差异图；通过各向异性扩散减少差异图的噪声并保留细节和纹理的边缘；将边缘的细节图作为掩膜截取所述差异图，生成像素级差异图。

9、根据本发明第一方面的系统，所述lrpm算子的计算公式为：

10、

11、其中，表示lrpm算子，表示金字塔模型第n层的；

12、

13、其中，和分别表示前后两幅多时像sar图像对应第i行第j列像素的灰度值。

14、根据本发明第一方面的系统，所述在像素级差异图的预定义分辨率的顶层图像上执行超像素分割的方法包括：

15、先将所述像素级差异图进行多尺度分割，再在多尺度分割的顶层图像上，使用felzenszwalb算法执行超像素分割，分割成具有相似特性的超像素区域。

16、根据本发明第一方面的系统，多尺度分割分的层数与最顶层分辨率的关系为：

17、。

18、根据本发明第一方面的系统，为了满足能够检测到最小变化图斑，要检测的最小图斑大小与最顶层分辨率应满足如下关系：

19、。

20、根据本发明第一方面的系统，所述采用了假彩色合成的可视化方法，产生一幅伪彩色图像的方法包括：

21、对像素级差异图和所述显著图进行点乘运算，生成变化检测结果的直方图；

22、对所述变化检测结果的直方图进行阈值分割，将图像二值化，得到二值图；

23、将所述二值图进行假彩色合成，产生一幅伪彩色图像。

24、根据本发明第一方面的系统，所述阈值分割的方法包括：

25、根据变化检测结果的直方图选择两个峰值之间的谷底作为阈值，将变化像素和非变化像素分为两个不同的类别；

26、所述假彩色合成的方法包括：将原始图像中变化的部分映射为彩色图像中的暖色调，将未发生变化的部分映射为彩色图像中的冷色调。

27、本发明第二方面提供了一种电子设备，所述设备包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如本发明第一方面所述的一种多尺度sar影像变化检测可视化系统中的方法。

28、本发明第三方面提供了一种存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现如本发明第一方面所述的一种多尺度sar影像变化检测可视化系统中的方法。

29、综上，本发明提出的方案能够可以进行短时间间隔的sar影像变化检测，捕捉到短期内发生的地表变化，这些变化可能在长时间间隔的图像中无法被有效检测到。