4、組Α5的最優(yōu)（C，γ)組合，將其中分類準(zhǔn) 確率最高的（C，γ)組合作為對應(yīng)于A平穩(wěn)區(qū)域的最優(yōu)（C，γ)組合；在本發(fā)明實例中，若 對應(yīng)于組AU組Α2、組A3、組Α4、組Α5的最優(yōu)（C，γ)組合中，分類準(zhǔn)確率最高的（C，γ)組 合有多個，則選取其中懲罰因子C為最小的（C，γ)組合作為對應(yīng)于A平穩(wěn)區(qū)域的最優(yōu)（C， γ)組合；
[0122] 6d)利用對應(yīng)于A平穩(wěn)區(qū)域的最優(yōu)（C，γ)組合和A平穩(wěn)區(qū)域的訓(xùn)練樣本SpA對支 撐向量機進行訓(xùn)練，得到第一分類標(biāo)簽矩陣Ac，其維數(shù)與對數(shù)比值圖像X b的維數(shù)相同。
[0123] 步驟7,提取B平穩(wěn)區(qū)域的所有樣本點的紋理特征，組成B平穩(wěn)區(qū)域的紋理特征向 量，給定B平穩(wěn)區(qū)域的訓(xùn)練標(biāo)簽I b，結(jié)合B平穩(wěn)區(qū)域的訓(xùn)練標(biāo)簽IjP B平穩(wěn)區(qū)域的紋理特 征向量構(gòu)成B平穩(wěn)區(qū)域的訓(xùn)練樣本，利用該訓(xùn)練樣本訓(xùn)練支撐向量機，得到第二分類標(biāo)簽 矩陣Be。
[0124] 步驟7的具體子步驟為：
[0125] 7a)根據(jù)對數(shù)比值圖像的紋理特征矩陣gs，提取第二集合Kb。和第四集合K bi的像 素點的紋理特征，組成B平穩(wěn)區(qū)域的紋理特征向量gB:
[0126]
[0127]
[0128]
[0129] 其中，
分別為B平穩(wěn)區(qū)域中在視覺上未變化的Nbq 個像素點中第1個像素點的均值特征、對比度特征和半方差特征；
分別為B平穩(wěn)區(qū)域中在視覺上未變化的Nb。個像 素點中第Nb。個像素點的均值特征、對比度特征和半方差特征；
分別為B平穩(wěn)區(qū)域中在視覺上變化的Nbi個像素點中第1個 像素點的均值特征、對比度特征和半方差特征；
分別為B平穩(wěn)區(qū)域中在視覺上變化的Nbi個像素點中第N B1個像素點的均值特征、對比度特 征和半方差特征；
[0130] 再結(jié)合B平穩(wěn)區(qū)域的訓(xùn)練標(biāo)簽Ib構(gòu)成B平穩(wěn)區(qū)域的訓(xùn)練樣本Sp B:
[0131] SpB= {gB，1B}
[0132] 其中，B平穩(wěn)區(qū)域的訓(xùn)練標(biāo)簽Ib是一個長度為N的行向量，其前N。個元素為0,其 后&個元素為1 :
[0133] 7b)將支撐向量機的類型設(shè)置為C-SVC模型，并將核函數(shù)的類型設(shè)置為徑向基核 函數(shù)；
[0134] 本發(fā)明實例中，設(shè)置支撐向量機參數(shù)s = 0,即將支撐向量機的類型設(shè)置為C-SVC 模型，設(shè)置支撐向量機參數(shù)t = 2,即將核函數(shù)的類型設(shè)置為徑向基核函數(shù)；
[0135] 7c)將懲罰因子C和徑向基核函數(shù)中核參數(shù)γ進行交叉驗證，得到對應(yīng)于A平穩(wěn) 區(qū)域的最優(yōu)的（C，γ)組合；
[0136] 具體地，選取懲罰因子C e {2S，27·5, ...，27·5,28}，徑向基核函數(shù)中核參數(shù) 丫￡{2 8,27'5，...，27'5,2 8}，則共有33父33個（(：，丫）組合，對該33\33個（(：，丫）組合 進行5層交叉驗證，具體步驟為：
[0137] 將B平穩(wěn)區(qū)域的訓(xùn)練樣本5^隨機地平均分成5組數(shù)據(jù)：組Bl、組Β2、組Β3、組Β4、 組Β5,將5組數(shù)據(jù)分別作為一次驗證集，并將5組數(shù)據(jù)分別對應(yīng)的其余4組數(shù)據(jù)進行順序組 合作為訓(xùn)練集；首先，將組Bl作為驗證集，將組Β2、組Β3、組Β4、組Β5進行順序組合作為訓(xùn) 練集，將該訓(xùn)練集和每一個（C，γ)組合進行分類，得到33 X 33個分類結(jié)果，將該33 X 33個 分類結(jié)果分別與組Bl進行比較，求得對應(yīng)于組Bl的每一個（C，γ)組合的分類準(zhǔn)確率，選 取其中分類準(zhǔn)確率最高的（C，γ)組合作為對應(yīng)于組Bl的最優(yōu)（C，γ)組合；然后，分別將 組Β2、組Β3、組M、組Β5作為驗證集，選出對應(yīng)于組Β2、組Β3、組M、組Β5的最優(yōu)（C，γ) 組合；最后，比較對應(yīng)于組Β1、組Β2、組Β3、組M、組Β5的最優(yōu)（C，γ)組合，將其中分類準(zhǔn) 確率最高的（C，γ)組合作為對應(yīng)于B平穩(wěn)區(qū)域的最優(yōu)（C，γ)組合；在本發(fā)明實例中，若 對應(yīng)于組Β1、組Β2、組Β3、組M、組Β5的最優(yōu)（C，γ)組合中，分類準(zhǔn)確率最高的（C，γ)組 合有多個，則選取其中懲罰因子C為最小的（C，γ)組合作為對應(yīng)于B平穩(wěn)區(qū)域的最優(yōu)（C， γ)組合；
[0138] 7d)利用對應(yīng)于B平穩(wěn)區(qū)域的最優(yōu)（C，γ )組合和B平穩(wěn)區(qū)域的訓(xùn)練樣本5^對支 撐向量機進行訓(xùn)練，得到第二分類標(biāo)簽矩陣Bc，其維數(shù)與對數(shù)比值圖像Xb的維數(shù)相同。
[0139] 步驟8,根據(jù)第一分類標(biāo)簽矩陣Ac和第二分類標(biāo)簽矩陣Bc，求得對數(shù)比值圖像Xb 的初始分類標(biāo)簽矩陣Oc，并求得對數(shù)比值圖像Xb中每個像素點的類條件概率，再對對數(shù)比 值圖像Xb中每個像素點的類條件概率取對數(shù)，得到對數(shù)比值圖像X b*每個像素點的一元勢 能函數(shù)。
[0140] 步驟8的具體子步驟為：
[0141] 8a)構(gòu)建與原始第一時相SAR圖像維數(shù)相同的訓(xùn)練標(biāo)簽矩陣Oc'，訓(xùn)練標(biāo)簽矩陣 OW的初始值為全0矩陣，將第一分類標(biāo)簽矩陣Ac中與A平穩(wěn)區(qū)域中的每個像素點分別對 應(yīng)的元素的值，按A平穩(wěn)區(qū)域中的每個像素點的坐標(biāo)位置，分別填入訓(xùn)練標(biāo)簽矩陣Oc';將 第二分類標(biāo)簽矩陣Bc中與B平穩(wěn)區(qū)域中的每個像素點分別對應(yīng)的元素的值，按B平穩(wěn)區(qū)域 中的每個像素點的坐標(biāo)位置，分別填入訓(xùn)練標(biāo)簽矩陣Oc';將訓(xùn)練標(biāo)簽矩陣Oc'作為對數(shù) 比值圖像X b的初始分類標(biāo)簽矩陣〇c，對數(shù)比值圖像X b的初始分類標(biāo)簽矩陣Oc中元素的取 值為〇或1，〇表示原始第二時相SAR圖像中的對應(yīng)像素點相對于原始第一時相SAR圖像中 的對應(yīng)像素點未發(fā)生變化，1表示原始第二時相SAR圖像中的對應(yīng)像素點相對于原始第一 時相SAR圖像中的對應(yīng)像素點發(fā)生變化；
[0142] 8b)將對數(shù)比值圖像Xb的初始分類標(biāo)簽矩陣Oc擬合為S形生長曲線函數(shù)，即求得 對數(shù)比值圖像X b中每個像素點的類條件概率，并對對數(shù)比值圖像Xb中每個像素點的類條件 概率取對數(shù)，得到對數(shù)比值圖像X b中每個像素點的一元勢能函數(shù)，其中，對數(shù)比值圖像X b中 第11個像素點冗的一元勢能函數(shù)4〇^，匕，1]"，幻為：
[0143] A(xn，F(xiàn)n，Un，X) = log p(xn|dn(F，U))
[0144] 其中，p(xn|dn(F，U))為對數(shù)比值圖像X b中第n個像素點C的類條件概率，X為 標(biāo)記場，\為標(biāo)記場X中對應(yīng)于對數(shù)比值圖像X b的第η個像素點發(fā)的標(biāo)記值，F(xiàn)n為對數(shù) 比值圖像Xb中第η個像素點％的紋理特征向量，
，
分別為對數(shù)比值圖像Xb中第η個像素點巧?的均值特征、對比 度特征和半方差特征，（til)為對數(shù)比值圖像Xb中第η個像素點冗的坐標(biāo)，Un為對數(shù)比值 圖像X b中第η個像素點冗的平穩(wěn)性標(biāo)記值，F(xiàn)為紋理特征場，U為非平穩(wěn)場，dn (F，U)為對 數(shù)比值圖像Xb中第η個像素點C的紋理特征場與非平穩(wěn)場的混合場，n e {1，2, ...，N}， N為對數(shù)比值圖像\的像素點總數(shù)，log表示取對數(shù)。
[0145] 需要說明的是，S形生長曲線函數(shù)即Sigmoid函數(shù)，Sigmoid函數(shù)是一個在生物學(xué) 中常見的S型函數(shù)，也稱為S形生長曲線。
[0146] 步驟9,利用指數(shù)加權(quán)均值比率算子提取對數(shù)比值圖像\中每個像素點的邊界強 度，并構(gòu)建對數(shù)比值圖像X b中每個像素點的二元勢能函數(shù)。
[0147] 指數(shù)加權(quán)均值比率算子（ROEWA)是基于線性最小均方誤差準(zhǔn)則的指數(shù)濾波器，其 計算結(jié)果為經(jīng)過指數(shù)加權(quán)處理后的均值；
[0148] 步驟9的具體子步驟為：
[0149] 9a)定義平滑函數(shù)f( λ)由因果濾波器fj λ)和非因果濾波器&( λ)組成：
[0150]
[0151] 其中，( λ ) = cdAu( λ )，f2( λ -I) = cd (λ '(-( λ -I))，d 為設(shè)定常數(shù)，且 0 < d < l，c = l-d，uU)為階躍函數(shù)，λ為自變量；
[0152] 9b)給出指數(shù)加權(quán)均值比率算子的定義如下：
[0153]
[0154] 其中，K./D表示對數(shù)比值圖像Xb中第η個像素點g的坐標(biāo)，n e {1，2，...，N}， N為對數(shù)比值圖像像素點總數(shù)，μ "，μ 12, μ ;1，μ ;2為指數(shù)加權(quán)值，按下式進行計算：
[0155]
[0156] 其中，F(xiàn)nS對數(shù)比值圖像X b中第η個像素點《的紋理特征向量，
分別為對數(shù)比值圖像Xb 中第η個像素點發(fā)的均值特征、對比度特征和半方差特征，*表示水平方向上的卷積，發(fā)則 表示垂直方向上的卷積；
[0157] 9c)通過以下公式提取對數(shù)比值圖像Xb中第η個像素點被的邊界強度rn:
[0158]
[0159] 9c)通過以下公式構(gòu)建對數(shù)比值圖像Xb中第η個像素點^的二元勢能函數(shù)I (Xn， xt，X，Y，U):
[0160]
[0161] 其中，Qh為水平鄰域系統(tǒng)、Q v為垂直鄰域系統(tǒng)，r "為對數(shù)比值圖像X b中第η個像素 點C的邊界強度，^為對數(shù)比值圖像X 像素點t的邊界強度，X為標(biāo)記場，X "為標(biāo)記場X 中對應(yīng)于對數(shù)比值圖像Xb的第η個像素點砹的標(biāo)記值，^為標(biāo)記場X中對應(yīng)于對數(shù)比值圖 像Xb的像素點t的標(biāo)記值，edge_C為常量，
為二元勢能函數(shù)參數(shù)， Y為觀測場，U為非平穩(wěn)場，gl，g」為非平穩(wěn)場U的兩個不同取值，一般分別取0和1，U n為對 數(shù)比值圖像Xb中第η個像素點C的平穩(wěn)性標(biāo)記值，仏為對數(shù)比值圖像X ,中像素點t的平 穩(wěn)性標(biāo)記值，δ為階躍函數(shù)，其中：
[0163] 步驟10,根據(jù)對數(shù)比值圖像Xb中每個像素點的一元勢能函數(shù)和二元勢能函數(shù)，得 到初步算法模型P (XIY)，其中，X為標(biāo)記場，Y為觀測場。
[0164] 所述初步算法模型P (X I Y)的表達式為：
[0165]
[0166] 其中，X為標(biāo)記場，Y為觀測場，U為非平穩(wěn)場，1/Z為初步算法模型p(X|Y)的分布 函數(shù)，QA對數(shù)比值圖像X b中第η個像素點X的鄰域系統(tǒng)，xA標(biāo)記場X中對應(yīng)于對數(shù)比 值圖像Xb的第η個像素點冗的標(biāo)記值，&為標(biāo)記場X中對應(yīng)于對數(shù)比值圖像X啲像素點 t的標(biāo)記值，n e {1，2,...，Ν}，N為對數(shù)比值圖像像素點總數(shù)，A(x n，F(xiàn)n，Un，X)對數(shù)比 值圖像Xb中第n個像素點C的一元勢能函數(shù)，I (xn，xt，X，Y，U)為對數(shù)比值圖像Xb中第η 個像素點％的二元勢能函數(shù)：
[0167]
[0168] Qh為水平鄰域系統(tǒng)、Qv為垂直鄰域系統(tǒng)，對數(shù)比值圖像X b中第η個像 素點K的邊界強度，^為對數(shù)比值圖像Xb*像素點t的邊界強度，edge_CS常量，
為二元勢能函數(shù)參數(shù)，γ為觀測場，u為非平穩(wěn)場，gp g2S非平穩(wěn) 場U的兩個不同取值，一般分別取0和1，仏為對數(shù)比值圖像X b中第η個像素點％的平穩(wěn) 性標(biāo)記值，隊為對數(shù)比值圖像像素點t的平穩(wěn)性標(biāo)記值，δ為階躍函數(shù)，其中：
[0170] 步驟11，利用條件迭代期望算法計算初步算法模型ρ(Χ|Υ)中的二元勢能函數(shù)參 數(shù)，根據(jù)該二元勢能函數(shù)參數(shù)求得對數(shù)比值圖像X b的最終分類標(biāo)簽矩陣，即得到原始第二 時相SAR圖像相對于原始第一時相SAR圖像的變化檢測結(jié)果。
[0171] 步驟11的具體子步驟為：
[0172] Ila)在對數(shù)比值圖像Xb的初始分類標(biāo)簽矩陣Oc中隨機選取出一個大小為MXM 的子矩陣作為初步算法模型P(XlY)中的標(biāo)記場X的初始值X(O)，并根據(jù)初步算法模型 P (XIΥ)求得二元勢能函數(shù)參數(shù)的初始值，再利用所求出的二元勢能函數(shù)參數(shù)的初始值，根 據(jù)初步算法模型P (XIY)求得第1代標(biāo)記場X1作為第1代分類標(biāo)簽矩陣；設(shè)置迭代次數(shù)t = 1 ；
[0173]