基于BPT表达的时间序列PolSAR图像变化检测研究

Time series polarimetric SAR (PolSAR) images provide richer scene space-time information for remote sensing observations, but also raise new problems and challenges for data processing and analysis. This project intends to investigate the detection and analysis of changes in time series PolSAR images. Firstly, by analyzing the scattering characteristics of the objects on multi-temporal PolSAR images, the space-time joint filtering of PolSAR images based on the random walk model will be presented. Meanwhile, an object-oriented multi-scale segmentation of time series PolSAR images will be obtained based on the space-time BPT (Binary Partition Tree) representation. Secondly, the mixture model statistical distributions of PolSAR images will be established, the similarity measures based on information geometry theory will be proposed, and the time series difference images of multi-scale information synthesis will be constructed. Finally, the adaptive threshold for generating the final change results will be proposed by combining a-contrario theory and the statistical distribution model of the difference image. Finally, the change type and trend will be analyzed by the change vector / matrix analysis method. At the same time, this project will also explore the automatic detection of typical change patterns and the discovery of meaningful rules in time series PolSAR data by using the Matrix Profile analysis method to consider all pairs similarity joins for time series. The research results of the project are expected to make significant progresses on the time series analysis model and algorithm of PolSAR images and provide a complete process flow for time series change detection and analysis, and it will provide technical supports for large-scale applications of GF-3 PolSAR images.

时间序列PolSAR数据为对地遥感观测提供了更为丰富的场景时空信息，但同时也对数据的处理和分析提出了新的问题和挑战。本项目拟围绕时间序列变化检测分析问题展开研究。首先，在深入分析地物目标在不同时相PolSAR图像上的散射特性基础上，结合空-时随机游走模型实现PolSAR图像的空时联合滤波，并基于二元划分树表达建立面向对象的多尺度分割。其次，建立PolSAR图像的混合统计分布模型，提出基于信息几何理论的极化相似性测度，并构造多尺度信息综合的时间序列差异图。然后，以对立推理理论为基础，结合差异图的统计分布规律，提出自适应阈值的变化检测方法。最后利用变化向量/矩阵分析方法对变化的类型与模式进行分析。同时，本项目还将探索时间序列PolSAR数据中典型变化模式的自动挖掘方法。课题研究可望在极化SAR图像的时间序列分析模型和算法上取得显著进展，为我国高分三号极化SAR图像的大规模应用提供技术支撑。

极化合成孔径雷达（PolSAR）通过收发不同组合的极化电磁波对地物目标进行极化测量，极大地增强了成像雷达对目标信息的获取能力，在国民经济和军事领域中都有着重要应用。时间序列PolSAR图像进一步引入了时间维度，提供了更为丰富的场景时空信息，基于时间序列遥感影像数据集对地表趋势时空动态变化的研究对自然物候、城市扩张、灾害和土地利用/覆盖等方面的动态监测具有重要意义，但同时也对数据的处理和分析提出了新的问题和挑战。因此，发展高可信的时间序列PolSAR图像变化检测方法，有利于推动PolSAR遥感技术在各行业领域中的应用，具有重要的理论意义和应用价值。本项目围绕时间序列PolSAR图像变化检测问题展开研究。首先，SAR图像的相干斑噪声严重影响了后续的解译过程，因此深入研究了时间序列SAR图像的空间域和时间域结构，利用卷积神经网络学习和发现图像结构中的隐式模型的能力，提出了基于预训练卷积神经网络的时间序列SAR图像滤波方法，有效降低了时间序列SAR图像中的斑点噪声的影响。其次，针对同类地物的极化散射特性在不同时相的差异、异类地物的相似性度量困难等问题，采用面向对象的变化检测方法，并提出了PolSAR图像的混合统计分布模型，进一步根据信息几何理论、最优传输理论提出多种适用于PolSAR数据的距离测度，更好地描述感兴趣区域的变化情况。最后，不同于双时相变化检测的是，时间序列的变化检测中不仅可以检测是否存在变化，还可以检测出不同的时域变化模式，例如周期性变化、阶跃性变化等。因此，本项目利用K-shape算法对时间序列SAR图像进行聚类分析，提取其中的模式特征，得到特定的变化模式。进一步地，还研究了变化检测与模式分析一体化分析方法，研究了时间序列SAR图像距离矩阵生成，距离矩阵聚类方法，并在此基础上提出了一种时间序列SAR图像变化与模式发现框架，实现了对时间序列SAR图像变化区域的快速发现和变化模式的有效分析。本项目研究在时间序列PolSAR图像的滤波、相似性度量、变化模式分析上取得了显著进展，为时间序列PolSAR图像自动解译和应用提供了有力的技术支撑。