基于分布差異與增量學習的時序sar圖像分類方法
【技術領域】
[0001] 本發(fā)明屬于圖像處理技術領域，特別設及一種基于分布差異與增量學習的時序 SAR圖像分類方法。
【背景技術】
[0002] 近年來，隨著大量時間序列圖像資源的出現(xiàn)，一系列新的理論方法被用于時間序 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 多領域得到了廣泛的應用，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。在時間序列圖像的分類中，從出發(fā)點不同，主要分為兩個主流的方 向：
[0003] 1)利用時間序列圖像中某幅已知訓練集的圖像來對另外的某幅未知訓練集的圖 像進行分類，如基于域自適應的分類方法。該方法利用源域和目標域的時相關聯(lián)性來對目 標域的圖像進行分類，一般分為半監(jiān)督分類方法和主動學習分類方法。半監(jiān)督分類方法首 先利用源域圖像有效的訓練集訓練分類器，然后結合目標域圖像中未標記的樣本對分類器 的參數(shù)進行更新，最后利用更新之后的分類器對目標域圖像進行分類，即對于目標域圖像 中的樣本無人工標記的代價。主動學習分類方法將源域圖像的有效的訓練集作為目標域 圖像初始的訓練集，然后根據(jù)一定的準則函數(shù)，通過迭代的方法，選擇出目標域中最富有信 息量的未標記樣本，并進行人工標記，加入到初始訓練集中，對目標域圖像的訓練集進行優(yōu) 化，最后根據(jù)優(yōu)化后的訓練集對目標域圖像進行分類。
[0004] 2)聯(lián)合時間序列中多幅圖像的時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。該類時間序列圖像分類算法主要包括=個部分：圖像預處理，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。預處理主要包 括福射定標、圖像校準和圖像的濾波；主流的特征提取方法包括基于生態(tài)學指數(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、決策樹、集合分類器等。
[0005] 該兩類方法本質(zhì)上都著重于時間序列圖像的本質(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，但在分類器的訓練過程 中并未充分利用到時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 檢測與支持向量機增量學習的時間序列SAR圖像分類方法。
[0007] 本發(fā)明的技術方案為一種基于分布差異檢測與支持向量機增量學習的時間序列 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間序列SAR圖像進行變化檢測，實現(xiàn)如 下，
[0009] 在基于Edgeworth逼近的SAR圖像分布模型估計中，時間序列SAR圖像的分布 p(x)表示如下，
[0010]
【主權項】
1. 一種基于分布差異與增量學習的時序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間序列SAR圖像進行變化檢測，實現(xiàn)如下， 在基于Edgeworth逼近的SAR圖像分布模型估計中，時間序列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 間序列SAR圖像的3階和4階累積量，α (X)表示標準正態(tài)分布，X為時間序列SAR圖像的 像素； 采用交叉熵方法計算時間序列SAR圖像對中的源域圖像分布P1(X)和目標域圖像分布 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,某干預設的慮《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?shù)玫綑z測閾值I。后，對步驟1所得差異指數(shù)圖進行檢測，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的已知訓練集訓練初始的SVM分類器，將未變化樣本的標簽賦 予目標域圖像X2，作為增量樣本；當新增的增量樣本引起的變化量滿足條件時，該新樣本被 判斷為支持向量，加入到初始的支持向量集中，并對相關的分類器參數(shù)進行更新；反之，則 不是支持向量，對SVM分類器無貢獻，直接丟棄； 通過迭代過程，完成整個增量樣本集的增量學習和SVM分類模型的參數(shù)更新，得到適 合于目標域圖像X2的SVM分類器。
2. 如權利要求1所述基于分布差異與增量學習的時序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. 如權利要求1或2所述基于分布差異與增量學習的時序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實現(xiàn)，C為預設的懲罰因子。
【專利摘要】一種基于分布差異與增量學習的時序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習。首先采用基于分布差異的方法對時間序列SAR圖像進行變化檢測，利用Egdeworth逼近原理估計源域和目標域SAR圖像的統(tǒng)計分布，計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習和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增量學習相結合，能夠完成從源域到目標域的域自適應，從而實現(xiàn)目標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
【公開日】2015年8月26日
【申請日】2015年5月29日