[发明专利]基于最大边缘度量学习的SAR图像变化检测方法

摘要

本发明提供了一种基于最大边缘度量学习的SAR图像变化检测方法，解决了SAR图像变化检测中容易受到相干斑噪声的影响以及传统度量不能很好衡量样本差异信息的问题。实现步骤有：输入变化前后的遥感图像构建全部样本；构建包含全部边界的训练样本；利用训练样本构建正负约束对；利用正负约束对作为输入，建立结构化的支撑矢量机模型获得映射矩阵，对映射矩阵进行分解；利用分解后的映射矩阵将全部样本映射到特征空间，在特征空间中对全部样本进行SAR图像变化检测分类。本发明分类精度高，尤其是在时间复杂度低的情况下仍然保持高精度的分类效果，在抑制噪声的同时保持了很好的边界信息。用于SAR图像变化检测。

主权项

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。