基于迁移学习和主动学习的SAR图像变化检测方法技术

本发明专利技术公开了基于迁移学习和主动学习的SAR图像变化检测方法，具体包括如下步骤：对训练数据集进行滤波预处理，获取差异图像X；训练初始SVM分类器；利用SMI样本选择方法重新选择样本，增加样本多样性，利用训练得到的分类器对所有样本进行分类；不断循环主动学习过程，做是否满足循环停止条件判定，利用训练获得的SVM分类器对待检测数据集的后验概率，构建能量函数并进行优化，输出最终的变化检测结果。本发明专利技术采用加入了空间信息的样本选择策略提高样本选择的效率，进而提高变化检测的精度，可用于对环境变化的自动检测。

SAR image change detection method based on migration learning and active learning

【技术实现步骤摘要】
基于迁移学习和主动学习的SAR图像变化检测方法
本专利技术属于遥感图像处理
，涉及基于迁移学习和主动学习的SAR图像变化检测方法。
技术介绍
变化检测的目的是通过分析研究区域在两个不同时间获取的图像来识别土地覆盖变化。这一技术是从不同领域的大量应用中派生而来的，如环境监测，城市研究，医学诊断，视频监控，运动检测等。特殊地，由于合成孔径雷达(SAR)图像具有全天候、全天时的特性，即：SAR能够在恶劣的天气条件下工作，无论是白天还是夜晚，这使得SAR图像变化检测问题是一个非常活跃的研究领域。然而，由于SAR图像中斑点噪声的存在给变化检测问题带来了一定的困难。实际上，SAR图像变化检测可以划分为图像分类问题，即：SAR图像中所有像素被划分为变化类和非变化类。随着图像分类技术的发展，可以采用许多新的方法来解决变化检测问题。目前流行的处理该问题的机器学习方法基本上是非监督的方法，但该类方法需要挖掘数据自身的特性进行自动的分类，对于分类算法的设计要求较高，且往往不能达到最佳的检测效果。而另一类监督分类的方法则需要使用标记样本作为训练样本进行模本文档来自技高网...

【技术保护点】
1.基于迁移学习和主动学习的SAR图像变化检测方法，其特征在于：具体包括如下步骤：/n步骤1，选取窗口大小为3×3的Lee滤波器分别对训练数据集中两幅原始的获取于不同时间的SAR图像X

【技术特征摘要】
1.基于迁移学习和主动学习的SAR图像变化检测方法，其特征在于：具体包括如下步骤：
步骤1，选取窗口大小为3×3的Lee滤波器分别对训练数据集中两幅原始的获取于不同时间的SAR图像X1，X2进行滤波预处理，有效去除斑点噪声；
步骤2，利用log-ratio运算符获取差异图像X，与训练数据集中的变化检测参考图一同构成样本集；
步骤3，在样本集中随机选择变化类和非变化类样本共Li个组成训练样本集，使用训练样本集训练初始SVM分类器；
步骤4，主动学习：利用SMI样本选择方法在样本集中选择n个样本进行标记，并加入到训练样本集Li中，获得新的训练样本集，利用新的训练样本集重新训练SVM分类器，利用训练得到的SVM分类器对所有样本进行分类；得到判别函数f(x)；利用Sigmoid函数将判别函数f(x)转化为后验概率pdata；
步骤5，不断循环步骤4的主动学习过程，当循环次数达到规定的循环次数最大上限Smax，停止循环并转步骤6；否则，转步骤4；
步骤6，迁移学习：利用log-ratio运算符获取待检测数据集的差异图像，利用主动学习过程训练获得的SVM分类器对待检测数据集的差异图像进行分类，得到待检测数据集二类判别函数g(x)；利用Sigmoid函数将g(x)转化为二类后验概率Pdata2；
步骤7，构造能量函数：采用二阶MRF随机场作为能量函数中的空间先验，并与步骤6获得的后验概率Pdata2相结合构造能量函数E，然后利用α-expansion对能量函数E进行优化得最终变化检测结果，对变化类像素标记为“1”，非变化类像素标记为“0”，输出检测结果。


2.根据权利要求1所述的基于迁移学习和主动学习的SAR图像变化检测方法，其特征在于：
步骤2中，采用log-ratio运算符获取的差异图像X为：



其中，X1，X2分别为获取于不同时间的SAR图像。


3.根据权利要求1所述的基于迁移学习和主动学习的SAR图像变化检测方法，步骤3的具体过程如下：
{(x1,y1),(x2,y2),…,(xi,yi)}是一组从训练数据集中随机抽取获得...

【专利技术属性】
技术研发人员：赵志强，贾萌，叶春煜，白佳伟，高宇轩，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61