r>[0049] 其中，i和j是沿寬度和高度方向分割塊的序號，（Xl，yj)是第（i，j)個集群中心 的坐標(biāo)，Φ (Xl，y])是該集群中心的顏色值。
[0050] 3)使用分配的各像素點特征向量重新估計集群中心。此處使用的k-means算法稱 為標(biāo)準(zhǔn)Lloyd算法（勞埃德算法），與標(biāo)準(zhǔn)k-means相比，其唯一不同在于每個像素只能分 配到原始中心的近鄰。保證了每次最小化循環(huán)都是4像素中心比較。
[0051] 4)合并過小區(qū)分割區(qū)域。當(dāng)k-means收斂后，SLIC移除所有小于最小分割區(qū)域的 連通區(qū)域，并將其與周圍符合區(qū)域大小約束的圖斑合并。
[0052] 步驟2,超像素特征提取，即對各時相遙感影像，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： 實施例對分割后的所有超像素取外接矩形并計算該范圍的DCD顏色描述子（Discriminate Color Descriptor，判別式顏色描述子）和sift (尺度不變特征轉(zhuǎn)換）結(jié)構(gòu)描述子，歸一化 后級聯(lián)組成不同時相遙感影像的超像素特征集。例如，對Tl時相遙感影像的超像素分割 結(jié)果提取得到Tl時相特征集，對T2時相遙感影像的超像素分割結(jié)果提取得到T2時相特征 集。
[0053] 用D⑶顏色描述子描述超像素的顏色信息，其具體計算方法如下。
[0054] 將原始的顏色空間離散化為m個顏色單詞，構(gòu)成單詞集合W = (W1, ，假設(shè)W 有L個類別，類別集合為C= Ic1，…，cj，用這些顏色單詞構(gòu)成的直方圖即可表達不同的圖 像。顏色單詞集合W在區(qū)分類別集合C上的判別力用下面的互信息計算，衡量了單詞集合 W包含在類別集合C中的信息量I (C，W):
[0056] 其中，p(Cl，wt)表示第t個顏色單詞^出現(xiàn)在第1個類別C 1中的概率，p(Cl)表示 第1個類別C1出現(xiàn)的概率，p (w t)表示第t個顏色單詞Wt出現(xiàn)的概率，這些概率值都是通過 統(tǒng)計所有像素點的特征與類別得到的。其中，I = 1，...，L，t = 1，...，T。
[0057] 現(xiàn)將單詞集合W聚成K個類別We= (W1,…，Wj，每個Wk都表示一組單詞，k = 1，...，K。設(shè)單詞集合W中第t個顏色單詞Wt屬于第k個聚類Wk，聚類W k中單詞w t引起的 互信息下降記為Δ :Δ = jrtKL(p(C|wt)，p(C|Wk))，p(C|wt)是單詞集合W中第t個顏色單 詞w t屬于類別集合C的概率，同理p (CIW k)表示聚類Wk中單詞樣本中屬于類別集合C的概 率。KL (，）表示 KL 散度（Kullback-Leibler divergence)，Jit=P(Wt)是單詞的先驗信 息。
[0058] 通過單詞聚類引起的總互信息下降等價得到下式：
[0060] 其中，A1表示通過單詞聚類引起的總互信息下降。
[0061] 對顏色空間分布進行約束，得到了能量函數(shù)E(W):
[0063] 目標(biāo)就是最小化此能量函數(shù)，得到對應(yīng)的D⑶顏色單詞（也就是使得上述能量函 數(shù)最小的t個特征值）。Wt是單詞集合W中第t個顏色單詞，w表示像素的特征值，下標(biāo)表 示其位置，s和t是相鄰的像素，ε表示t的鄰域，即ws，Wt分別為像素 t和相鄰像素 s的特 征值。顏色單詞是像素顏色值聚類后的聚類中心，以上公式用于形成顏色單詞。整個表達式 中，第一項W(K)是互信息約束即八，第二項〇,)是顏色連通性約束，第三項Φ (ws, wt) 是空間約束，其具體表達如下。
[0066] 對不屬于顏色鄰域^的顏色加以懲罰，所謂顏色鄰域，指的是在顏色空間中與Wt 相鄰的顏色集合。α ε是設(shè)置的懲罰參數(shù)，如果有足夠多的選擇，就可以消除不連通項，最終 得到特征的連通聚類。
[0068] a D是設(shè)置的懲罰參數(shù)，表示周圍不一致的代價。
[0069] 最后將圖像中的所有像素均用t個顏色單詞中的某一個進行表示，統(tǒng)計整幅圖像 中每個顏色單詞出現(xiàn)的次數(shù)，構(gòu)成一個顏色直方圖作為該幅圖像的DCD顏色描述子。
[0070] 步驟3,相似度計算，即對每個位置的兩時相遙感影像中的超像素對計算直方圖交 叉核作為該對超像素的相似性度量指標(biāo)：
[0071] 實施例用不同時相圖像中對應(yīng)超像素的直方圖交叉核表達其相似性。直方圖交差 核的定義為：K hik (X，X'）= min (xd, X'd)，其中X、X'分別是兩時相遙感影像中某位置超像素 的特征矢量，xd、X' 4是對應(yīng)第d維的取值。
[0072] 步驟4,初始樣本選擇，即在沒有任何標(biāo)注的情況下根據(jù)超像素對的直方圖交叉核 值采用一定的策略選擇"最具代表性"的初始樣本，再進行標(biāo)注：實施例根據(jù)超像素直方圖 交叉核的分布規(guī)律找到"最優(yōu)價值"的初始樣本，經(jīng)過標(biāo)注后可構(gòu)成初始的訓(xùn)練集。
[0073] 具體實施時，本領(lǐng)域技術(shù)人員可自行預(yù)設(shè)選擇策略，例如可以采用的選擇策略有 如下3種：
[0074] 1)在所有樣本中隨機選擇，選擇的樣本數(shù)量可以人工設(shè)定；
[0075] 2)用EM算法擬合高斯混合分布，將分布在最外側(cè)的樣本作為初始樣本，至于具體 的個數(shù)可以可由本領(lǐng)域技術(shù)人員自行設(shè)定，或者根據(jù)實驗進行調(diào)整；
[0076] 3)用k-means進行聚類，選擇距離聚類中心最近的樣本作為初始樣本，同樣樣本 個數(shù)可由本領(lǐng)域技術(shù)人員自行設(shè)定，或者根據(jù)實驗進行調(diào)整。
[0077] 具體實施時，對選擇的樣本的標(biāo)注可由本領(lǐng)域技術(shù)人員自行設(shè)定，或者采用其他 分析軟件提供。EM算法和k-means算法為現(xiàn)有技術(shù)，本發(fā)明不予贅述。
[0078] 步驟5,基于主動學(xué)習(xí)的監(jiān)督分類，即將已標(biāo)注的樣本作為訓(xùn)練集（初始訓(xùn)練時即 步驟4所得初始樣本）訓(xùn)練分類器，并在分類結(jié)果中選出"最不確定"（即可信度最低）的 樣本繼續(xù)標(biāo)注，并將其加入訓(xùn)練集中重新訓(xùn)練分類器，不斷重復(fù)此過程，直至滿足迭代結(jié)束 條件（檢測結(jié)果精度達到滿意的范圍或迭代次數(shù)達到所設(shè)定的上限）時迭代結(jié)束，得到最 終的檢測結(jié)果：
[0079] 實施例根據(jù)"已標(biāo)記"的訓(xùn)練集用高斯過程完成分類任務(wù)，并采用合適的樣本選擇 策略完成基于主動學(xué)習(xí)變化檢測任務(wù)。在分類結(jié)果中選出"最不確定"的樣本可采用預(yù)設(shè) 的樣本選擇策略。
[0080] 具體實施時，步驟5可包括以下子步驟：
[0081] 步驟5. 1，輸入步驟4所得初始的訓(xùn)練集；
[0082] 步驟5. 2,根據(jù)當(dāng)前的訓(xùn)練集訓(xùn)練分類器；
[0083] 在高斯分類模型下，函數(shù)值受高斯噪聲干擾f，σ n是白噪聲的標(biāo)準(zhǔn)差， 也就是Y1= f(X(1))+ ε，X = {x(1)，…，x(n)}，其中yi即為受噪聲影響的預(yù)測值，X (1)是每組 樣本的直方圖交叉核值，X是所有直方圖交叉核的集合，f是特征與預(yù)測之間的映射關(guān)系， 用零均值和協(xié)方差函數(shù)k的聯(lián)合高斯模擬，即
表示高斯分布）。給 定訓(xùn)練集后，即可得到K是訓(xùn)練樣本的協(xié)方差矩陣，參數(shù)^
y為訓(xùn)練樣本的 標(biāo)簽。
[0084] 步驟5. 3,再根據(jù)當(dāng)前的分類器處理所有未分類樣本，得到相應(yīng)預(yù)測均值及預(yù)測方 差；
[0085] 根據(jù)K和α可以快速計算新樣本的預(yù)測均值及預(yù)測方差
[0088] 根據(jù)預(yù)測均值μ $的符號即可進行分類。其中X $是新樣本的特征值，k ,是新樣本 與訓(xùn)練樣本的協(xié)方差矩陣，K是它的轉(zhuǎn)置矩陣，k#是新樣本自身的協(xié)方差值，f,表示預(yù)測 函數(shù)，是新樣本預(yù)測值的方差，I是單位矩陣，K是訓(xùn)練集中樣本的協(xié)方差矩陣，α是為 方便運算引入的參數(shù)。
[0089] 步驟5. 4,從步驟5. 3的分類結(jié)果中找出"最有價值"的樣本并在標(biāo)記后加入訓(xùn)練 集，從未標(biāo)記數(shù)據(jù)集中將該樣本去掉；
[0090] 根據(jù)預(yù)測均值與方差選擇"最不確定"（即可信度最低）的樣本以便在標(biāo)記后作為 新樣本，即"最有價值"的樣本。具體實施時，可以選擇不同的樣本選擇策略完成主動學(xué)習(xí) 任務(wù)，當(dāng)標(biāo)記結(jié)果達到收斂，或迭代次數(shù)達到上限時整個過程結(jié)束，得到變化檢測結(jié)果。例 如以下5種選擇策略之一：

[0096] 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，Q表示選出的待標(biāo)記樣本，其角標(biāo)分別表示不 同的選擇策略：預(yù)測均值最小，預(yù)測方差最大，不確定性最小，權(quán)重影響和模型損失。
[0097] 步驟5. 5,判斷是否滿足迭代結(jié)束條件，是則結(jié)束迭代，得到最終的