基于分布差異與增量學(xué)習(xí)的時(shí)序sar圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別設(shè)及一種基于分布差異與增量學(xué)習(xí)的時(shí)序 SAR圖像分類方法。
【背景技術(shù)】
[0002] 近年來，隨著大量時(shí)間序列圖像資源的出現(xiàn)，一系列新的理論方法被用于時(shí)間序 列圖像的解譯，其在地表制圖、植被動態(tài)變化監(jiān)測、物候信息提取、出:也利用類型監(jiān)測等諸 多領(lǐng)域得到了廣泛的應(yīng)用，是人們研究和追蹤自然歷史演變軌跡、監(jiān)測環(huán)境和資源動態(tài)變 化的重要且有效的手段。在時(shí)間序列圖像的分類中，從出發(fā)點(diǎn)不同，主要分為兩個主流的方 向：
[0003] 1)利用時(shí)間序列圖像中某幅已知訓(xùn)練集的圖像來對另外的某幅未知訓(xùn)練集的圖 像進(jìn)行分類，如基于域自適應(yīng)的分類方法。該方法利用源域和目標(biāo)域的時(shí)相關(guān)聯(lián)性來對目 標(biāo)域的圖像進(jìn)行分類，一般分為半監(jiān)督分類方法和主動學(xué)習(xí)分類方法。半監(jiān)督分類方法首 先利用源域圖像有效的訓(xùn)練集訓(xùn)練分類器，然后結(jié)合目標(biāo)域圖像中未標(biāo)記的樣本對分類器 的參數(shù)進(jìn)行更新，最后利用更新之后的分類器對目標(biāo)域圖像進(jìn)行分類，即對于目標(biāo)域圖像 中的樣本無人工標(biāo)記的代價(jià)。主動學(xué)習(xí)分類方法將源域圖像的有效的訓(xùn)練集作為目標(biāo)域 圖像初始的訓(xùn)練集，然后根據(jù)一定的準(zhǔn)則函數(shù)，通過迭代的方法，選擇出目標(biāo)域中最富有信 息量的未標(biāo)記樣本，并進(jìn)行人工標(biāo)記，加入到初始訓(xùn)練集中，對目標(biāo)域圖像的訓(xùn)練集進(jìn)行優(yōu) 化，最后根據(jù)優(yōu)化后的訓(xùn)練集對目標(biāo)域圖像進(jìn)行分類。
[0004] 2)聯(lián)合時(shí)間序列中多幅圖像的時(shí)間變化性和空間變化性，能夠?qū)崿F(xiàn)對地表覆蓋物 更好的劃分。該類時(shí)間序列圖像分類算法主要包括=個部分：圖像預(yù)處理，特征的提取，分 類器的選擇。不同的特征提取方法和不同的分類器衍生出不同的分類算法。預(yù)處理主要包 括福射定標(biāo)、圖像校準(zhǔn)和圖像的濾波；主流的特征提取方法包括基于生態(tài)學(xué)指數(shù)的特征、基 于后向散射系數(shù)變化的特征、基于圖像相干性的特征和紋理特征等；分類器主要包括最大 似然分類器、SVM、神經(jīng)網(wǎng)絡(luò)、決策樹、集合分類器等。
[0005] 該兩類方法本質(zhì)上都著重于時(shí)間序列圖像的本質(zhì)特征的挖掘和分類器的選擇兩 方面。在該些已有的算法中，分類器的選擇方面已經(jīng)有了多種嘗試，但在分類器的訓(xùn)練過程 中并未充分利用到時(shí)間序列圖像特有的優(yōu)勢。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于針對時(shí)間序列SAR圖像分類問題，提出一種新的基于分布差異 檢測與支持向量機(jī)增量學(xué)習(xí)的時(shí)間序列SAR圖像分類方法。
[0007] 本發(fā)明的技術(shù)方案為一種基于分布差異檢測與支持向量機(jī)增量學(xué)習(xí)的時(shí)間序列 SAR圖像分類方法，包括W下步驟：
[000引步驟1，采用基于分布差異的方法來對時(shí)間序列SAR圖像進(jìn)行變化檢測，實(shí)現(xiàn)如 下，
[0009] 在基于Edgeworth逼近的SAR圖像分布模型估計(jì)中，時(shí)間序列SAR圖像的分布 p(x)表示如下，
[0010]
【主權(quán)項(xiàng)】
1. 一種基于分布差異與增量學(xué)習(xí)的時(shí)序SAR圖像分類方法，其特征在于，包括以下步 驟， 步驟1，采用基于分布差異的方法來對時(shí)間序列SAR圖像進(jìn)行變化檢測，實(shí)現(xiàn)如下， 在基于Edgeworth逼近的SAR圖像分布模型估計(jì)中，時(shí)間序列SAR圖像的分布p (X)表 示如下，
其中，H3(X) = x3_3x，H4(x) = x4_6x2+3，H6(x) = x6-15x4+45x2_15, k3和 1^4分別表示時(shí) 間序列SAR圖像的3階和4階累積量，α (X)表示標(biāo)準(zhǔn)正態(tài)分布，X為時(shí)間序列SAR圖像的 像素； 采用交叉熵方法計(jì)算時(shí)間序列SAR圖像對中的源域圖像分布P1(X)和目標(biāo)域圖像分布 P2OO的差異指數(shù)如下，
規(guī)則化處理后，源域圖像和目標(biāo)域圖像的差異指數(shù)表示如下， KLDedgeworth edgeworth (Χι，X2) +KLedgewQrth (X2，Xi) 得到基于交叉熵的差異指數(shù)圖； 步驟2,某干預(yù)設(shè)的慮《率，自話府地獲取檢測閾值I。如下，
其中，Pfa為給定的虛警率，P (t)為變化檢測的差異指數(shù)圖的分布函數(shù)； 當(dāng)?shù)玫綑z測閾值I。后，對步驟1所得差異指數(shù)圖進(jìn)行檢測，得到變化檢測的二值圖，并 從二值圖中得到未變化的樣本； 步驟3,利用源域圖像X1的已知訓(xùn)練集訓(xùn)練初始的SVM分類器，將未變化樣本的標(biāo)簽賦 予目標(biāo)域圖像X2，作為增量樣本；當(dāng)新增的增量樣本引起的變化量滿足條件時(shí)，該新樣本被 判斷為支持向量，加入到初始的支持向量集中，并對相關(guān)的分類器參數(shù)進(jìn)行更新；反之，則 不是支持向量，對SVM分類器無貢獻(xiàn)，直接丟棄； 通過迭代過程，完成整個增量樣本集的增量學(xué)習(xí)和SVM分類模型的參數(shù)更新，得到適 合于目標(biāo)域圖像X2的SVM分類器。
2. 如權(quán)利要求1所述基于分布差異與增量學(xué)習(xí)的時(shí)序SAR圖像分類方法，其特征在于： 步驟2中CFAR閾值中的虛警率為0. 01。
3. 如權(quán)利要求1或2所述基于分布差異與增量學(xué)習(xí)的時(shí)序SAR圖像分類方法，其特征 在于：新增的增量樣本引起的變化量是否滿足條件，根據(jù)變化量△ α。是否滿足0 <△ α。 < C實(shí)現(xiàn)，C為預(yù)設(shè)的懲罰因子。
【專利摘要】一種基于分布差異與增量學(xué)習(xí)的時(shí)序SAR圖像分類方法，包括增量樣本的選取和增量樣本的增量學(xué)習(xí)。首先采用基于分布差異的方法對時(shí)間序列SAR圖像進(jìn)行變化檢測，利用Egdeworth逼近原理估計(jì)源域和目標(biāo)域SAR圖像的統(tǒng)計(jì)分布，計(jì)算圖像分布的交叉熵差異指數(shù)，并根據(jù)CFAR方法獲取的檢測閾值得到變化檢測圖，將未變化的區(qū)域作為增量樣本；然后利用源域圖像的已知訓(xùn)練集初始化SVM分類器，并通過迭代過程完成整個增量樣本集的增量學(xué)習(xí)和SVM分類模型的參數(shù)更新。分布差異變化檢測方法和支持向量機(jī)增量學(xué)習(xí)相結(jié)合，能夠完成從源域到目標(biāo)域的域自適應(yīng)，從而實(shí)現(xiàn)目標(biāo)域圖像的高精度分類。
【IPC分類】G06K9-62
【公開號】CN104866869
【申請?zhí)枴緾N201510292485
【發(fā)明人】何楚, 康陳瑤, 韓功, 卓桐
【申請人】武漢大學(xué)
【公開日】2015年8月26日
【申請日】2015年5月29日