基于主動學(xué)習(xí)的高分辨率遙感影像變化檢測方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感影像變化檢測領(lǐng)域，更具體地涉及一種基于主動學(xué)習(xí)的高分辨率 遙感影像變化檢測技術(shù)方案，可以處理高分辨率遙感影像變化檢測問題。
【背景技術(shù)】
[0002] 隨著遙感技術(shù)的發(fā)展，人們可以獲取越來越多各種形式的遙感數(shù)據(jù)，目前已經(jīng)可 以獲取分辨率在5m~0. 5m范圍內(nèi)的高分辨率數(shù)據(jù)。但是如何利用計算機(jī)有效地處理這些 數(shù)據(jù)仍然是一個亟待解決的問題。為了完成場景分類或變化檢測任務(wù)，傳統(tǒng)的監(jiān)督方法，需 要進(jìn)行大量的人工標(biāo)注。根據(jù)前人的經(jīng)驗，對遙感數(shù)據(jù)進(jìn)行標(biāo)注是一件工作量大又枯燥乏 味的事情，而且更普遍的情況是，由于缺少專業(yè)知識，人工標(biāo)注是一件異常困難且代價很大 的事，并且很難擴(kuò)展到新的數(shù)據(jù)，新的類別和新的應(yīng)用中。除此之外，監(jiān)督分類方法選取的 訓(xùn)練集中會有大量冗余的樣本，并不是最具代表性的樣本。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明目的是針對現(xiàn)有遙感影像變化檢測技術(shù)的不足和缺陷，提出了一種基于主 動學(xué)習(xí)的高分辨率遙感影像變化檢測技術(shù)方案。
[0004] 本發(fā)明提供一種基于主動學(xué)習(xí)的高分辨率遙感影像變化檢測方法，包括以下步 驟：
[0005] 步驟1，超像素分割，包括對于不同時相遙感影像，設(shè)有某時相的遙感影像邊界更 復(fù)雜，先將該時相的遙感影像分割成多個超像素，然后將所得超像素分割邊界應(yīng)用于另一 時相遙感影像中；
[0006] 步驟2,超像素特征提取，包括對各時相遙感影像，分別取各超像素的外接矩形范 圍并計算該區(qū)域的顏色特征和結(jié)構(gòu)特征，組合后共同構(gòu)成該時相遙感影像的超像素特征 集；
[0007] 步驟3,相似度計算，包括對兩時相遙感影像中相應(yīng)位置的超像素計算直方圖交叉 核作為該對超像素的相似性度量指標(biāo)；
[0008] 步驟4,初始樣本選擇，包括根據(jù)步驟3所得超像素對的直方圖交叉核值采用預(yù)設(shè) 的策略選擇初始樣本，并進(jìn)行標(biāo)注；
[0009] 步驟5,基于主動學(xué)習(xí)的監(jiān)督分類，包括基于高斯分類模型，根據(jù)已標(biāo)注的樣本作 為訓(xùn)練集訓(xùn)練分類器，并在分類結(jié)果中根據(jù)預(yù)測均值及預(yù)測方差選出可信度最低的樣本進(jìn) 行標(biāo)注，將新標(biāo)注的樣本加入訓(xùn)練集中重新訓(xùn)練分類器，不斷重復(fù)此過程，直至滿足迭代條 件時結(jié)束，得到最終的檢測結(jié)果。
[0010] 而且，步驟4所述預(yù)設(shè)的策略，為隨機(jī)選擇初始樣本，或者用EM算法擬合高斯混合 分布后將分布在最外側(cè)的樣本作為初始樣本，或者用k-means進(jìn)行聚類后選擇距離聚類中 心最近的樣本作為初始樣本。
[0011] 而且，步驟5所述在分類結(jié)果中根據(jù)預(yù)測均值及預(yù)測方差選出可信度最低的樣本 進(jìn)行標(biāo)注，采用五種策略之一進(jìn)行選擇如下，
[0017] 其中，產(chǎn)和y(1)分別表示第i個樣本的特征值及其預(yù)測值，/401和dpi為 相應(yīng)預(yù)測均值及預(yù)測方差，:?是全體樣本集合，
表示按不同策略選出的待標(biāo)記樣本，分別的選擇策略為預(yù)測均值、預(yù)測方差、不確定性、權(quán) 重影響和模型損失。
[0018] 本發(fā)明還相應(yīng)提供一種基于主動學(xué)習(xí)的高分辨率遙感影像變化檢測系統(tǒng)，包括以 下模塊：超像素分割模塊，用于對于不同時相遙感影像，設(shè)有某時相的遙感影像邊界更復(fù) 雜，先將該時相的遙感影像分割成多個超像素，然后將所得超像素分割邊界應(yīng)用于另一時 相遙感影像中；超像素特征提取模塊，用于對各時相遙感影像，分別取各超像素的外接矩形 范圍并計算該區(qū)域的顏色特征和結(jié)構(gòu)特征，組合后共同構(gòu)成該時相遙感影像的超像素特征 集；
[0019] 相似度計算模塊，用于對兩時相遙感影像中相應(yīng)位置的超像素計算直方圖交叉核 作為該對超像素的相似性度量指標(biāo)；
[0020] 初始樣本選擇模塊，用于根據(jù)相似度計算模塊所得超像素對的直方圖交叉核值采 用預(yù)設(shè)的策略選擇初始樣本，并進(jìn)行標(biāo)注；
[0021] 主動學(xué)習(xí)監(jiān)督分類模塊，用于包括基于高斯分類模型，根據(jù)已標(biāo)注的樣本作為訓(xùn) 練集訓(xùn)練分類器，并在分類結(jié)果中根據(jù)預(yù)測均值及預(yù)測方差選出可信度最低的樣本進(jìn)行標(biāo) 注，將新標(biāo)注的樣本加入訓(xùn)練集中重新訓(xùn)練分類器，不斷重復(fù)此過程，直至滿足迭代條件時 結(jié)束，得到最終的檢測結(jié)果。
[0022] 而且，初始樣本選擇模塊所述預(yù)設(shè)的策略，為隨機(jī)選擇初始樣本，或者用EM算法 擬合高斯混合分布后將分布在最外側(cè)的樣本作為初始樣本，或者用k-means進(jìn)行聚類后選 擇距離聚類中心最近的樣本作為初始樣本。
[0023] 而且，主動學(xué)習(xí)監(jiān)督分類模塊所述在分類結(jié)果中根據(jù)預(yù)測均值及預(yù)測方差選出可 信度最低的樣本進(jìn)行標(biāo)注，采用五種策略之一進(jìn)行選擇如下，
[0029] 其中，和y(1)分別表示第i個樣本的特征值及其預(yù)測值，
為 相應(yīng)預(yù)測均值及預(yù)測方差，W是全體樣本集合，
I:表 示按不同策略選出的待標(biāo)記樣本，分別的選擇策略為預(yù)測均值、預(yù)測方差、不確定性、權(quán)重 影響和模型損失。
[0030] 本發(fā)明技術(shù)方案在沒有標(biāo)注信息的情況下，可以從原始多時相遙感影像中通過主 動學(xué)習(xí)逐漸找出變化區(qū)域，可以大幅度地減少人工標(biāo)注的難度，并且可以用最少的標(biāo)注次 數(shù)得到滿意的變化檢測結(jié)果，提高檢測效率，減少耗費成本，對應(yīng)用于海量高分辨率數(shù)據(jù)具 有重要意義。
【附圖說明】
[0031] 圖1為本發(fā)明實施例的基于主動學(xué)習(xí)的遙感影像變化檢測方法整體框圖。
[0032] 圖2為本發(fā)明實施例的原始圖像及真實變化圖像。
[0033] 圖3為本發(fā)明實施例的變化檢測結(jié)果圖。
【具體實施方式】
[0034] 下面結(jié)合附圖1對基于主動學(xué)習(xí)的遙感影像變化檢測方法的實施方式和基本原 理做進(jìn)一步說明。
[0035] 為了充分利用遙感數(shù)據(jù)中的信息，本發(fā)明將采用主動學(xué)習(xí)策略構(gòu)造有效的訓(xùn)練 集。
[0036] 主動學(xué)習(xí)是一種高效的樣本選擇方法，可以構(gòu)造有效的訓(xùn)練集，尋找有利于提升 分類效果的樣本，減少分類訓(xùn)練集的大小，在有限的時間和資源條件下，提高分類算法的效 率。而變化檢測問題往往可以轉(zhuǎn)化為一個分析"變化"和"未變化"的"二分類"問題，因此 無論是采用不確定性采樣還是期望模型變化策略理論上都是可以采用主動學(xué)習(xí)策略解決 遙感影像變化檢測問題的。
[0037] 本發(fā)明的目標(biāo)就是設(shè)計一套基于主動學(xué)習(xí)的遙感影像變化檢測系統(tǒng)。在沒有任何 標(biāo)注的情況下，通過迭代地選取"最有價值"的樣本，輔以人工標(biāo)注后使檢測結(jié)果逐漸接近 真實變化，當(dāng)檢測結(jié)果精度達(dá)到一定程度或迭代次數(shù)達(dá)到設(shè)定的上限時迭代結(jié)束，得到最 終的檢測結(jié)果。
[0038] 參見圖1，本發(fā)明實施例的流程如下：
[0039] 步驟1，超像素分割，即先將邊界復(fù)雜時相的遙感影像分割成多個超像素，然后將 該超像素分割邊界應(yīng)用于另一時相遙感影像中：實施例在觀察不同時相遙感影像類別及 邊界的基礎(chǔ)上提取較為復(fù)雜那幅圖的超像素邊界，并將此邊界應(yīng)用于不同時相的遙感影像 上，采用的是SLIC (簡單的線性迭代聚類）分割算法，超像素大小在30*30像素左右。例如， 對Tl時相遙感影像進(jìn)行SLIC分割，并將其應(yīng)用于T2時相遙感影像中，即可得到相應(yīng)的超 像素分割結(jié)果。
[0040] SLIC超像素分割方法基于空間局部k-means聚類，可快速有效地將圖像分割為視 覺均勾區(qū)域，與mean-shift算法類似，圖像中的各像素使用特征向量Φ (x，y)聯(lián)系起來，
[0042] 其中，λ是位置參數(shù)，范圍在[0, 1]之間，具體實施時，本領(lǐng)域技術(shù)人員可自行設(shè) 定取值，通常設(shè)定為1，X和y是像素的坐標(biāo)，I (X，y)是該位置處像素的RGB顏色值。然后 使用k-means完成局部聚類，其實現(xiàn)要點如下：
[0043] 1)初始化聚類中心。SLIC首先將圖像劃分為網(wǎng)格，其中：
[0045] 其中，imageWidth，imageHeight分別是圖像的寬度和高度，regionSize表示超像 素的大小，M和N分別是沿寬度和高度分割的總段數(shù)。
[0046] 將網(wǎng)格中心為初始k-means聚類中心，為避免集群中心位于圖像邊緣不連續(xù)處， 在中心點周圍3X3鄰域移動將集群中心移到梯度最小處。
[0047] 2)分配各像素及重估集群中心。確定初始聚類中心后，在每個中心局部使用 k-means將每個像素分配到最近的集群中心，得到類別集合C :
[0048] C = { Φ (xi; Yj) ；i = I, . . . , M j = I, . . . , N}