檢測結(jié)果，否則 返回步驟5. 2根據(jù)當(dāng)前訓(xùn)練集繼續(xù)迭代。
[0098] 當(dāng)判斷繼續(xù)迭代，返回重新執(zhí)行步驟5. 2時，根據(jù)當(dāng)前的訓(xùn)練集訓(xùn)練分類器，得到 新的核函數(shù)g和權(quán)矢量反，加入新樣本后新的核函數(shù)K和權(quán)矢量M分別為
[0101] 其中，是與新樣本相關(guān)的計算值（計算方法跟5.2中α -樣，區(qū)別在于使用的 樣本不同），而α是所有歷史值（可采用矢量形式），二者有不同的含義。y是已知樣本預(yù) 測值的歷史值，/是新樣本的預(yù)測值，y#是受新樣本影響后所有樣本的預(yù)測值。以核函數(shù) K和權(quán)矢量乍為當(dāng)前的K和α，重新進(jìn)入步驟5. 3,根據(jù)當(dāng)前的K和α計算新樣本的預(yù) 測均值yjf)及預(yù)測方差按此不斷迭代，實現(xiàn)基于高斯過程的主動學(xué)習(xí)。
[0102] 基于以上說明，本發(fā)明是基于高斯過程主動學(xué)習(xí)的高分辨率遙感影像變化檢測方 法。實施例針對圖2中的兩幅采集時間（Tl和T2)間隔為16個月，分辨率為Im的遙感影 像進(jìn)行變化檢測，其中圖2中（a)、（b)為對應(yīng)的真實影像，（c)為真實的變化情況（Change Truth)，采用不同樣本選擇策略的檢測結(jié)果如圖3所示，（a)中random表示隨機(jī)選擇待標(biāo) 記樣本，（b)、（c)、（d)、（e)、（f)中 gp-mean、gp-var、gp-unc、gp-weight、gp-impact 分另Ij 對應(yīng)步驟5中采用的5種樣本選擇策略一一預(yù)測均值，預(yù)測方差，不確定性，權(quán)重影響和模 型損失，相應(yīng)性能分析見表1。
[0103] 表1基于高斯過程主動學(xué)習(xí)的遙感影像變化檢測結(jié)果

[0105] 根據(jù)上述結(jié)果，可知針對要完成的變化檢測任務(wù)，可采用多種樣本選擇策略，而選 擇不同檢測結(jié)果也常常會有一些差別，因此在應(yīng)用中可以通過比較選出最合適的樣本選擇 策略。從實驗結(jié)果來看，大多數(shù)樣本選擇策略均可以很好的完成變化檢測任務(wù)，全精度與 Kappa系數(shù)都比較高。另外，從實際經(jīng)驗來看，通常gp-mean、gp-weight、gp-impact有較好 的效果。
[0106] 具體實施時，本領(lǐng)域技術(shù)人員可采用計算機(jī)軟件方式實現(xiàn)流程，還可以采用模塊 化方式實現(xiàn)相應(yīng)系統(tǒng)。本發(fā)明實施例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：
[0107] 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；
[0108] 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)；
[0109] 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；
[0110] 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。
[0111] 各模塊具體實現(xiàn)參見相應(yīng)步驟說明，本發(fā)明不予贅述。
[0112] 以上實施例僅供說明本發(fā)明之用，而非對本發(fā)明的限制，有關(guān)技術(shù)領(lǐng)域的技術(shù)人 員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變換或變型，因此所有等同的 技術(shù)方案，都落入本發(fā)明的保護(hù)范圍。
【主權(quán)項】
1. 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，其特征在于，包括以下步 驟： 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； 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； 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)； 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； 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。2. 根據(jù)權(quán)利要求1所述基于主動學(xué)習(xí)的高分辨率遙感影像變化檢測方法，其特征在 于：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。3. 根據(jù)權(quán)利要求1或2所述基于主動學(xué)習(xí)的高分辨率遙感影像變化檢測方法，其特 征在于：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，其中，和y(1)分別表示第i個樣本的特征值及其預(yù)測值，和為相應(yīng) 預(yù)測均值及預(yù)測方差，以是全體樣本集合，1屮)、Qjw)、UW、S_(⑷、UW)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。4. 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)，其特征在于，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； 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)； 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； 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。5. 根據(jù)權(quán)利要求4所述基于主動學(xué)習(xí)的高分辨率遙感影像變化檢測系統(tǒng)，其特征在 于：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。6. 根據(jù)權(quán)利要求4或5所述基于主動學(xué)習(xí)的高分辨率遙感影像變化檢測系統(tǒng)，其特征 在于：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，其中，p和y(1)分別表示第i個樣本的特征值及其預(yù)測值，/401和ofpi為相應(yīng) 預(yù)測均值及預(yù)測方差,?是全體樣本集合，％.(w)、l(W)、OJW)、〇^(W)、KW)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D
【專利摘要】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及系統(tǒng)，包括先將復(fù)雜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；對各時相遙感影像，分別提取超像素特征集，計算相似性度量指標(biāo)，選擇初始樣本，并進(jìn)行標(biāo)注；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。本發(fā)明可以通過迭代地選擇“最有價值”的樣本，使檢測結(jié)果逐漸接近真實變化，提高檢測效率。
【IPC分類】G06K9/62
【公開號】CN105260738
【申請?zhí)枴緾N201510586594
【發(fā)明人】楊文 , 茹卉, 楊祥立
【申請人】武漢大學(xué)
【公開日】2016年1月20日
【申請日】2015年9月15日