[发明专利]基于最大边缘度量学习的SAR图像变化检测方法

权利要求书

1.一种基于最大边缘度量学习的SAR图像变化检测方法，其特征在于，包括有如下步骤：

(1)输入变化前后的遥感图像，构建全部样本：输入同一地区，不同时刻得到的两幅遥感图像；以像素的邻域作为该像素的特征样本，全部的像素采用相同的方法构建全部样本X，全部样本X实质上包括时相图像1全部样本X₁和时相图像2的全部样本X₂；

(2)构建包含全部边界的训练样本：训练样本也分为时相1的训练样本Xt₁和时相2的训练样本Xt₂，时相1的训练样本Xt₁和时相2的训练样本Xt₂在同一图像同一像素位置选取；每个时相的训练样本占每个时相图像全部样本总数目的30％，对于每个时相的训练样本的具体组成包括3部分：在该时相图像的全部样本中，变化类和非变化类边界部分的样本全部选择，作为该时相图像训练样本的一部分，然后选择该时相图像全部样本中变化类样本的50％，剩下的训练样本为该时相图像全部样本中的非变化类样本；

(3)利用训练样本构建正负约束对：对于两个时相图像，若在参考图像ground-truth中该像素点为变化类，则两幅时相图像该变化类像素点的两个样本构成正约束对，用S表示；若该像素点为非变化类，则两幅时相图像该非变化类像素点的两个样本构成负约束对，用D表示；保证正负约束对的数目相同；

(4)为正负约束对赋予标签：正约束对的标签为1，负约束对的标签为-1；

(5)利用正负约束对作为输入，建立结构化的支撑矢量机模型：利用正负约束对作为输入，采用对数比算子求解距离，将求解的距离作为结构化支撑矢量机模型的输入；通过切割平面的算法训练该模型，获得映射矩阵A，该模型在线性时间内找到在半正定空间中的最优解，利用该映射矩阵获得度量正负约束对中样本差异信息的特征空间；

(6)对映射矩阵进行矩阵分解：将映射矩阵进行矩阵分解获得最终的半正定映射矩阵M，通过半正定映射矩阵M将两时相图像的全部样本X₁和X₂分别映射到度量两时相对应像素两个样本差异信息的特征空间和采用同样方式将两时相图像的训练样本Xt₁和Xt₂分别映射到度量两时相训练样本对应像素两个样本差异信息的特征空间和

(7)在特征空间中对两时相图像的全部样本进行分类：在特征空间中将两时相图像全部样本和对应像素的特征向量采用对数比算子求取差异信息，采用同样的方式，在特征空间中将两时相图像训练样本和对应像素的特征向量采用对数比算子求取差异信息，然后对两时相图像全部样本的差异信息和两时相图像训练样本的差异信息使用K近邻算法(k-Nearest Neighbor，KNN)进行分类，获得最终的SAR图像变化检测结果。

2.根据权利要求1所述的基于最大边缘度量学习的SAR图像变化检测方法，其特征在于，步骤(4)中为正负约束对赋予标签，具体的分配方法如下：

4.1)如果(x_1i,x_2i)∈S，则为其分配标签y_i＝1；

4.2)如果(x_1i,x_2i)∈D，则为其分配标签y_i＝-1；

(x_1i,x_2i)∈(S∪D)，1i和2i分别代表在时相1和时相2中输入数据集的索引点。