基于主动学习的高分辨率遥感影像变化检测方法及系统的制作方法
【技术领域】
[0001] 本发明涉及遥感影像变化检测领域，更具体地涉及一种基于主动学习的高分辨率 遥感影像变化检测技术方案，可以处理高分辨率遥感影像变化检测问题。
【背景技术】
[0002] 随着遥感技术的发展，人们可以获取越来越多各种形式的遥感数据，目前已经可 以获取分辨率在5m~0. 5m范围内的高分辨率数据。但是如何利用计算机有效地处理这些 数据仍然是一个亟待解决的问题。为了完成场景分类或变化检测任务，传统的监督方法，需 要进行大量的人工标注。根据前人的经验，对遥感数据进行标注是一件工作量大又枯燥乏 味的事情，而且更普遍的情况是，由于缺少专业知识，人工标注是一件异常困难且代价很大 的事，并且很难扩展到新的数据，新的类别和新的应用中。除此之外，监督分类方法选取的 训练集中会有大量冗余的样本，并不是最具代表性的样本。
【发明内容】
[0003] 本发明目的是针对现有遥感影像变化检测技术的不足和缺陷，提出了一种基于主 动学习的高分辨率遥感影像变化检测技术方案。
[0004] 本发明提供一种基于主动学习的高分辨率遥感影像变化检测方法，包括以下步 骤：
[0005] 步骤1，超像素分割，包括对于不同时相遥感影像，设有某时相的遥感影像边界更 复杂，先将该时相的遥感影像分割成多个超像素，然后将所得超像素分割边界应用于另一 时相遥感影像中；
[0006] 步骤2,超像素特征提取，包括对各时相遥感影像，分别取各超像素的外接矩形范 围并计算该区域的颜色特征和结构特征，组合后共同构成该时相遥感影像的超像素特征 集；
[0007] 步骤3,相似度计算，包括对两时相遥感影像中相应位置的超像素计算直方图交叉 核作为该对超像素的相似性度量指标；
[0008] 步骤4,初始样本选择，包括根据步骤3所得超像素对的直方图交叉核值采用预设 的策略选择初始样本，并进行标注；
[0009] 步骤5,基于主动学习的监督分类，包括基于高斯分类模型，根据已标注的样本作 为训练集训练分类器，并在分类结果中根据预测均值及预测方差选出可信度最低的样本进 行标注，将新标注的样本加入训练集中重新训练分类器，不断重复此过程，直至满足迭代条 件时结束，得到最终的检测结果。
[0010] 而且，步骤4所述预设的策略，为随机选择初始样本，或者用EM算法拟合高斯混合 分布后将分布在最外侧的样本作为初始样本，或者用k-means进行聚类后选择距离聚类中 心最近的样本作为初始样本。
[0011] 而且，步骤5所述在分类结果中根据预测均值及预测方差选出可信度最低的样本 进行标注，采用五种策略之一进行选择如下，
[0017] 其中，产和y(1)分别表示第i个样本的特征值及其预测值，/401和dpi为 相应预测均值及预测方差，:?是全体样本集合，
表示按不同策略选出的待标记样本，分别的选择策略为预测均值、预测方差、不确定性、权 重影响和模型损失。
[0018] 本发明还相应提供一种基于主动学习的高分辨率遥感影像变化检测系统，包括以 下模块：超像素分割模块，用于对于不同时相遥感影像，设有某时相的遥感影像边界更复 杂，先将该时相的遥感影像分割成多个超像素，然后将所得超像素分割边界应用于另一时 相遥感影像中；超像素特征提取模块，用于对各时相遥感影像，分别取各超像素的外接矩形 范围并计算该区域的颜色特征和结构特征，组合后共同构成该时相遥感影像的超像素特征 集；
[0019] 相似度计算模块，用于对两时相遥感影像中相应位置的超像素计算直方图交叉核 作为该对超像素的相似性度量指标；
[0020] 初始样本选择模块，用于根据相似度计算模块所得超像素对的直方图交叉核值采 用预设的策略选择初始样本，并进行标注；
[0021] 主动学习监督分类模块，用于包括基于高斯分类模型，根据已标注的样本作为训 练集训练分类器，并在分类结果中根据预测均值及预测方差选出可信度最低的样本进行标 注，将新标注的样本加入训练集中重新训练分类器，不断重复此过程，直至满足迭代条件时 结束，得到最终的检测结果。
[0022] 而且，初始样本选择模块所述预设的策略，为随机选择初始样本，或者用EM算法 拟合高斯混合分布后将分布在最外侧的样本作为初始样本，或者用k-means进行聚类后选 择距离聚类中心最近的样本作为初始样本。
[0023] 而且，主动学习监督分类模块所述在分类结果中根据预测均值及预测方差选出可 信度最低的样本进行标注，采用五种策略之一进行选择如下，
[0029] 其中，和y(1)分别表示第i个样本的特征值及其预测值，
为 相应预测均值及预测方差，W是全体样本集合，
I:表 示按不同策略选出的待标记样本，分别的选择策略为预测均值、预测方差、不确定性、权重 影响和模型损失。
[0030] 本发明技术方案在没有标注信息的情况下，可以从原始多时相遥感影像中通过主 动学习逐渐找出变化区域，可以大幅度地减少人工标注的难度，并且可以用最少的标注次 数得到满意的变化检测结果，提高检测效率，减少耗费成本，对应用于海量高分辨率数据具 有重要意义。
【附图说明】
[0031] 图1为本发明实施例的基于主动学习的遥感影像变化检测方法整体框图。
[0032] 图2为本发明实施例的原始图像及真实变化图像。
[0033] 图3为本发明实施例的变化检测结果图。
【具体实施方式】
[0034] 下面结合附图1对基于主动学习的遥感影像变化检测方法的实施方式和基本原 理做进一步说明。
[0035] 为了充分利用遥感数据中的信息，本发明将采用主动学习策略构造有效的训练 集。
[0036] 主动学习是一种高效的样本选择方法，可以构造有效的训练集，寻找有利于提升 分类效果的样本，减少分类训练集的大小，在有限的时间和资源条件下，提高分类算法的效 率。而变化检测问题往往可以转化为一个分析"变化"和"未变化"的"二分类"问题，因此 无论是采用不确定性采样还是期望模型变化策略理论上都是可以采用主动学习策略解决 遥感影像变化检测问题的。
[0037] 本发明的目标就是设计一套基于主动学习的遥感影像变化检测系统。在没有任何 标注的情况下，通过迭代地选取"最有价值"的样本，辅以人工标注后使检测结果逐渐接近 真实变化，当检测结果精度达到一定程度或迭代次数达到设定的上限时迭代结束，得到最 终的检测结果。
[0038] 参见图1，本发明实施例的流程如下：
[0039] 步骤1，超像素分割，即先将边界复杂时相的遥感影像分割成多个超像素，然后将 该超像素分割边界应用于另一时相遥感影像中：实施例在观察不同时相遥感影像类别及 边界的基础上提取较为复杂那幅图的超像素边界，并将此边界应用于不同时相的遥感影像 上，采用的是SLIC (简单的线性迭代聚类）分割算法，超像素大小在30*30像素左右。例如， 对Tl时相遥感影像进行SLIC分割，并将其应用于T2时相遥感影像中，即可得到相应的超 像素分割结果。
[0040] SLIC超像素分割方法基于空间局部k-means聚类，可快速有效地将图像分割为视 觉均勾区域，与mean-shift算法类似，图像中的各像素使用特征向量Φ (x，y)联系起来，
[0042] 其中，λ是位置参数，范围在[0, 1]之间，具体实施时，本领域技术人员可自行设 定取值，通常设定为1，X和y是像素的坐标，I (X，y)是该位置处像素的RGB颜色值。然后 使用k-means完成局部聚类，其实现要点如下：
[0043] 1)初始化聚类中心。SLIC首先将图像划分为网格，其中：
[0045] 其中，imageWidth，imageHeight分别是图像的宽度和高度，regionSize表示超像 素的大小，M和N分别是沿宽度和高度分割的总段数。
[0046] 将网格中心为初始k-means聚类中心，为避免集群中心位于图像边缘不连续处， 在中心点周围3X3邻域移动将集群中心移到梯度最小处。
[0047] 2)分配各像素及重估集群中心。确定初始聚类中心后，在每个中心局部使用 k-means将每个像素分配到最近的集群中心，得到类别集合C :
[0048] C = { Φ (xi; Yj) ；i = I, . . . , M j = I, . . . , N}