CN105260738B - 基于主动学习的高分辨率遥感影像变化检测方法及*** - Google Patents
基于主动学习的高分辨率遥感影像变化检测方法及*** Download PDFInfo
- Publication number
- CN105260738B CN105260738B CN201510586594.3A CN201510586594A CN105260738B CN 105260738 B CN105260738 B CN 105260738B CN 201510586594 A CN201510586594 A CN 201510586594A CN 105260738 B CN105260738 B CN 105260738B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sample
- sensing image
- samples
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000008859 change Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013100 final test Methods 0.000 abstract 1
- 238000003709 image segmentation Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
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及***,包括先将复杂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;对各时相遥感影像,分别提取超像素特征集,计算相似性度量指标,选择初始样本,并进行标注;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。本发明可以通过迭代地选择“最有价值”的样本,使检测结果逐渐接近真实变化,提高检测效率。
Description
技术领域
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
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
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。
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:
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;
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;
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;
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;
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。
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。
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,
其中,和y(i)分别表示第i个样本的特征值及其预测值,和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。
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***,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;
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;
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;
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。
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。
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,
其中,和y(i)分别表示第i个样本的特征值及其预测值,和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。
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
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。
图2为本发明实施例的原始图像及真实变化图像。
图3为本发明实施例的变化检测结果图。
具体实施方式
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。
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。
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。
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***。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。
参见图1,本发明实施例的流程如下:
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T1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。
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匀区域,与mean-shift算法类似,图像中的各像素使用特征向量ψ(x,y)联系起来,
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:
1)初始化聚类中心。SLIC首先将图像划分为网格,其中:
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。
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3×3邻域移动将集群中心移到梯度最小处。
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:
C={ψ(xi,yj);i=1,...,M j=1,...,N}
其中,i和j是沿宽度和高度方向分割块的序号,(xi,yj)是第(i,j)个集群中心的坐标,ψ(xi,yj)是该集群中心的颜色值。
3)使用分配的各像素点特征向量重新估计集群中心。此处使用的k-means算法称为标准Lloyd算法(劳埃德算法),与标准k-means相比,其唯一不同在于每个像素只能分配到原始中心的近邻。保证了每次最小化循环都是4像素中心比较。
4)合并过小区分割区域。当k-means收敛后,SLIC移除所有小于最小分割区域的连通区域,并将其与周围符合区域大小约束的图斑合并。
步骤2,超像素特征提取,即对各时相遥感影像,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:实施例对分割后的所有超像素取外接矩形并计算该范围的DCD颜色描述子(DiscriminateColor Descriptor,判别式颜色描述子)和sift(尺度不变特征转换)结构描述子,归一化后级联组成不同时相遥感影像的超像素特征集。例如,对T1时相遥感影像的超像素分割结果提取得到T1时相特征集,对T2时相遥感影像的超像素分割结果提取得到T2时相特征集。
用DCD颜色描述子描述超像素的颜色信息,其具体计算方法如下。
将原始的颜色空间离散化为m个颜色单词,构成单词集合W={w1,…,wT},假设W有L个类别,类别集合为C={c1,…,cL},用这些颜色单词构成的直方图即可表达不同的图像。颜色单词集合W在区分类别集合C上的判别力用下面的互信息计算,衡量了单词集合W包含在类别集合C中的信息量I(C,W):
其中,p(cl,wt)表示第t个颜色单词wt出现在第l个类别cl中的概率,p(cl)表示第l个类别cl出现的概率,p(wt)表示第t个颜色单词wt出现的概率,这些概率值都是通过统计所有像素点的特征与类别得到的。其中,l=1,...,L,t=1,...,T。
现将单词集合W聚成K个类别WC={W1,…,WK},每个Wk都表示一组单词,k=1,...,K。设单词集合W中第t个颜色单词wt属于第k个聚类Wk,聚类Wk中单词wt引起的互信息下降记为Δ:Δ=πtKL(p(C|wt),p(C|Wk)),p(C|wt)是单词集合W中第t个颜色单词wt属于类别集合C的概率,同理p(C|Wk)表示聚类Wk中单词样本中属于类别集合C的概率。KL(,)表示KL散度(Kullback–Leibler divergence),πt=p(wt)是单词的先验信息。
通过单词聚类引起的总互信息下降等价得到下式:
其中,ΔI表示通过单词聚类引起的总互信息下降。
对颜色空间分布进行约束,得到了能量函数E(w):
目标就是最小化此能量函数,得到对应的DCD颜色单词(也就是使得上述能量函数最小的t个特征值)。wt是单词集合W中第t个颜色单词,w表示像素的特征值,下标表示其位置,s和t是相邻的像素,ε表示t的邻域,即ws,wt分别为像素t和相邻像素s的特征值。颜色单词是像素颜色值聚类后的聚类中心,以上公式用于形成颜色单词。整个表达式中,第一项是互信息约束即Δ,第二项是颜色连通性约束,第三项ψ(ws,wt)是空间约束,其具体表达如下。
对不属于颜色邻域的颜色加以惩罚,所谓颜色邻域,指的是在颜色空间中与wt相邻的颜色集合。αC是设置的惩罚参数,如果有足够多的选择,就可以消除不连通项,最终得到特征的连通聚类。
αD是设置的惩罚参数,表示周围不一致的代价。
最后将图像中的所有像素均用t个颜色单词中的某一个进行表示,统计整幅图像中每个颜色单词出现的次数,构成一个颜色直方图作为该幅图像的DCD颜色描述子。
步骤3,相似度计算,即对每个位置的两时相遥感影像中的超像素对计算直方图交叉核作为该对超像素的相似性度量指标:
实施例用不同时相图像中对应超像素的直方图交叉核表达其相似性。直方图交差核的定义为:KHIK(x,x')=min(xd,x'd),其中x、x'分别是两时相遥感影像中某位置超像素的特征矢量,xd、x'd是对应第d维的取值。
步骤4,初始样本选择,即在没有任何标注的情况下根据超像素对的直方图交叉核值采用一定的策略选择“最具代表性”的初始样本,再进行标注:实施例根据超像素直方图交叉核的分布规律找到“最优价值”的初始样本,经过标注后可构成初始的训练集。
具体实施时,本领域技术人员可自行预设选择策略,例如可以采用的选择策略有如下3种:
1)在所有样本中随机选择,选择的样本数量可以人工设定;
2)用EM算法拟合高斯混合分布,将分布在最外侧的样本作为初始样本,至于具体的个数可以可由本领域技术人员自行设定,或者根据实验进行调整;
3)用k-means进行聚类,选择距离聚类中心最近的样本作为初始样本,同样样本个数可由本领域技术人员自行设定,或者根据实验进行调整。
具体实施时,对选择的样本的标注可由本领域技术人员自行设定,或者采用其他分析软件提供。EM算法和k-means算法为现有技术,本发明不予赘述。
步骤5,基于主动学习的监督分类,即将已标注的样本作为训练集(初始训练时即步骤4所得初始样本)训练分类器,并在分类结果中选出“最不确定”(即可信度最低)的样本继续标注,并将其加入训练集中重新训练分类器,不断重复此过程,直至满足迭代结束条件(检测结果精度达到满意的范围或迭代次数达到所设定的上限)时迭代结束,得到最终的检测结果:
实施例根据“已标记”的训练集用高斯过程完成分类任务,并采用合适的样本选择策略完成基于主动学习变化检测任务。在分类结果中选出“最不确定”的样本可采用预设的样本选择策略。
具体实施时,步骤5可包括以下子步骤:
步骤5.1,输入步骤4所得初始的训练集;
步骤5.2,根据当前的训练集训练分类器;
在高斯分类模型下,函数值受高斯噪声干扰σn是白噪声的标准差,也就是yi=f(x(i))+ε,X={x(1),…,x(n)},其中yi即为受噪声影响的预测值,x(i)是每组样本的直方图交叉核值,X是所有直方图交叉核的集合,f是特征与预测之间的映射关系,用零均值和协方差函数k的联合高斯模拟,即(表示高斯分布)。给定训练集后,即可得到K是训练样本的协方差矩阵,参数y为训练样本的标签。
步骤5.3,再根据当前的分类器处理所有未分类样本,得到相应预测均值及预测方差;
根据K和α可以快速计算新样本的预测均值μ*(x*)及预测方差
根据预测均值μ*的符号即可进行分类。其中x*是新样本的特征值,k*是新样本与训练样本的协方差矩阵,是它的转置矩阵,k**是新样本自身的协方差值,f*表示预测函数,是新样本预测值的方差,I是单位矩阵,K是训练集中样本的协方差矩阵,α是为方便运算引入的参数。
步骤5.4,从步骤5.3的分类结果中找出“最有价值”的样本并在标记后加入训练集,从未标记数据集中将该样本去掉;
根据预测均值与方差选择“最不确定”(即可信度最低)的样本以便在标记后作为新样本,即“最有价值”的样本。具体实施时,可以选择不同的样本选择策略完成主动学习任务,当标记结果达到收敛,或迭代次数达到上限时整个过程结束,得到变化检测结果。例如以下5种选择策略之一:
其中,和y(i)分别表示第i个样本的特征值及其预测值,和为相应预测均值及预测方差,是全体样本集合,Q表示选出的待标记样本,其角标分别表示不同的选择策略:预测均值最小,预测方差最大,不确定性最小,权重影响和模型损失。
步骤5.5,判断是否满足迭代结束条件,是则结束迭代,得到最终的检测结果,否则返回步骤5.2根据当前训练集继续迭代。
当判断继续迭代,返回重新执行步骤5.2时,根据当前的训练集训练分类器,得到新的核函数和权矢量加入新样本后新的核函数和权矢量分别为
其中,α*是与新样本相关的计算值(计算方法跟5.2中α一样,区别在于使用的样本不同),而α是所有历史值(可采用矢量形式),二者有不同的含义。y是已知样本预测值的历史值,y*是新样本的预测值,y*是受新样本影响后所有样本的预测值。以核函数和权矢量作为当前的K和α,重新进入步骤5.3,根据当前的K和α计算新样本的预测均值μ*(x*)及预测方差按此不断迭代,实现基于高斯过程的主动学习。
基于以上说明,本发明是基于高斯过程主动学习的高分辨率遥感影像变化检测方法。实施例针对图2中的两幅采集时间(T1和T2)间隔为16个月,分辨率为1m的遥感影像进行变化检测,其中图2中(a)、(b)为对应的真实影像,(c)为真实的变化情况(Change Truth),采用不同样本选择策略的检测结果如图3所示,(a)中random表示随机选择待标记样本,(b)、(c)、(d)、(e)、(f)中gp-mean、gp-var、gp-unc、gp-weight、gp-impact分别对应步骤5中采用的5种样本选择策略——预测均值,预测方差,不确定性,权重影响和模型损失,相应性能分析见表1。
表1基于高斯过程主动学习的遥感影像变化检测结果
全精度 | 正检率 | 负检率 | 虚警率 | 漏检率 | Kappa | |
random | 0.8584 | 0.0723 | 0.7861 | 0.0088 | 0.1329 | 0.4401 |
gp-mean | 0.9129 | 0.1325 | 0.7804 | 0.0144 | 0.0727 | 0.7015 |
gp-var | 0.8319 | 0.0399 | 0.7920 | 0.0029 | 0.1652 | 0.2703 |
gp-unc | 0.9129 | 0.1325 | 0.7804 | 0.0144 | 0.0727 | 0.7015 |
gp-weight | 0.9031 | 0.1189 | 0.7842 | 0.0107 | 0.0863 | 0.6558 |
gp-impact | 0.9046 | 0.1339 | 0.7707 | 0.0241 | 0.0713 | 0.6803 |
根据上述结果,可知针对要完成的变化检测任务,可采用多种样本选择策略,而选择不同检测结果也常常会有一些差别,因此在应用中可以通过比较选出最合适的样本选择策略。从实验结果来看,大多数样本选择策略均可以很好的完成变化检测任务,全精度与Kappa系数都比较高。另外,从实际经验来看,通常gp-mean、gp-weight、gp-impact有较好的效果。
具体实施时,本领域技术人员可采用计算机软件方式实现流程,还可以采用模块化方式实现相应***。本发明实施例提供一种基于主动学习的高分辨率遥感影像变化检测***,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;
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;
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;
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。
各模块具体实现参见相应步骤说明,本发明不予赘述。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变换或变型,因此所有等同的技术方案,都落入本发明的保护范围。
Claims (4)
1.一种基于主动学习的高分辨率遥感影像变化检测方法,其特征在于,包括以下步骤:
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;
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;
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;
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;
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;
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,
其中,σn是白噪声的标准差,I是单位矩阵,K是训练集中样本的协方差矩阵,k*是新样本与训练样本的协方差矩阵,f*表示预测函数,和y(i)分别表示第i个样本的特征值及其预测值,和为相应预测均值及预测方差,为预测函数f*相应预测方差,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。
2.根据权利要求1所述基于主动学习的高分辨率遥感影像变化检测方法,其特征在于: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。
3.一种基于主动学习的高分辨率遥感影像变化检测***,其特征在于,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;
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;
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;
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;
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,
其中,σn是白噪声的标准差,I是单位矩阵,K是训练集中样本的协方差矩阵,k*是新样本与训练样本的协方差矩阵,f*表示预测函数,和y(i)分别表示第i个样本的特征值及其预测值,和为相应预测均值及预测方差,为预测函数f*相应预测方差,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。
4.根据权利要求3所述基于主动学习的高分辨率遥感影像变化检测***,其特征在于: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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510586594.3A CN105260738B (zh) | 2015-09-15 | 2015-09-15 | 基于主动学习的高分辨率遥感影像变化检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510586594.3A CN105260738B (zh) | 2015-09-15 | 2015-09-15 | 基于主动学习的高分辨率遥感影像变化检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260738A CN105260738A (zh) | 2016-01-20 |
CN105260738B true CN105260738B (zh) | 2019-03-19 |
Family
ID=55100419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510586594.3A Expired - Fee Related CN105260738B (zh) | 2015-09-15 | 2015-09-15 | 基于主动学习的高分辨率遥感影像变化检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260738B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886513A (zh) * | 2016-09-29 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 一种确定训练样本的装置 |
CN107886512A (zh) * | 2016-09-29 | 2018-04-06 | 法乐第(北京)网络科技有限公司 | 一种确定训练样本的方法 |
CN106778605B (zh) * | 2016-12-14 | 2020-05-05 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
CN108241829A (zh) * | 2016-12-23 | 2018-07-03 | 乐视汽车(北京)有限公司 | 车辆行驶图像识别方法 |
CN106886609B (zh) * | 2017-03-31 | 2019-12-31 | 中国科学院地理科学与资源研究所 | 街区式农村居民地遥感快速标注方法 |
CN107480634A (zh) * | 2017-08-12 | 2017-12-15 | 天津市测绘院 | 一种基于多级对象分类的地理国情地表覆盖监测方法 |
CN107610137A (zh) * | 2017-09-27 | 2018-01-19 | 武汉大学 | 一种高分辨率遥感影像最优分割方法 |
CN107832780B (zh) * | 2017-10-17 | 2020-04-10 | 北京木业邦科技有限公司 | 基于人工智能木板分选低置信度样本处理方法及*** |
CN108876775B (zh) * | 2018-06-12 | 2022-10-18 | 湖南大学 | 糖尿病性视网膜病变的快速检测方法 |
CN109726288A (zh) * | 2018-12-28 | 2019-05-07 | 上海点融信息科技有限责任公司 | 基于人工智能处理的文本分类方法和装置 |
CN109903274B (zh) * | 2019-01-31 | 2020-05-15 | 兰州交通大学 | 一种高分辨率遥感影像变化检测方法及*** |
CN110060247B (zh) * | 2019-04-18 | 2022-11-25 | 深圳市深视创新科技有限公司 | 应对样本标注错误的鲁棒深度神经网络学习方法 |
CN110490061B (zh) * | 2019-07-11 | 2021-10-22 | 武汉大学 | 一种遥感影像特征的不确定性建模与度量方法 |
CN111178316B (zh) * | 2020-01-06 | 2022-04-15 | 武汉大学 | 一种高分辨率遥感影像土地覆盖分类方法 |
CN111242050A (zh) * | 2020-01-15 | 2020-06-05 | 同济大学 | 一种面向大尺度复杂场景下遥感影像的自动变化检测方法 |
CN111898577B (zh) * | 2020-08-10 | 2022-08-26 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置、设备及计算机可读存储介质 |
CN112669298A (zh) * | 2020-12-31 | 2021-04-16 | 武汉科技大学 | 一种基于模型自训练的地基云图像云检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258324A (zh) * | 2013-04-02 | 2013-08-21 | 西安电子科技大学 | 基于可控核回归和超像素分割的遥感图像变化检测方法 |
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
CN103729653A (zh) * | 2014-01-21 | 2014-04-16 | 武汉大学 | 一种高分辨率遥感影像监督变化检测的方法 |
CN103839078A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 一种基于主动学习的高光谱图像分类方法 |
-
2015
- 2015-09-15 CN CN201510586594.3A patent/CN105260738B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258324A (zh) * | 2013-04-02 | 2013-08-21 | 西安电子科技大学 | 基于可控核回归和超像素分割的遥感图像变化检测方法 |
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
CN103729653A (zh) * | 2014-01-21 | 2014-04-16 | 武汉大学 | 一种高分辨率遥感影像监督变化检测的方法 |
CN103839078A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 一种基于主动学习的高光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
object-oritented change detection based on the kolmogorov-simirnov test using high-resolution multispectral imagery;TANG Y 等;《International Journal of Remote Sensing》;20110707;第32卷(第20期);第5719-5740页 |
融合多特征的遥感影像变化检测方法;李亮 等;《测绘学报》;20140930;第43卷(第9期);第945-953页 |
Also Published As
Publication number | Publication date |
---|---|
CN105260738A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260738B (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及*** | |
Choy et al. | Fuzzy model-based clustering and its application in image segmentation | |
Du et al. | Leaf shape based plant species recognition | |
CN104680127A (zh) | 手势识别方法及*** | |
CN106874942B (zh) | 一种基于正则表达式语义的目标模型快速构建方法 | |
Keivani et al. | Automated analysis of leaf shape, texture, and color features for plant classification. | |
Luo et al. | Global salient information maximization for saliency detection | |
CN107977660A (zh) | 基于背景先验和前景节点的感兴趣区域检测方法 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
Ezeobiejesi et al. | Latent fingerprint image segmentation using fractal dimension features and weighted extreme learning machine ensemble | |
CN111091129B (zh) | 一种基于多重颜色特征流形排序的图像显著区域提取方法 | |
Ouyang et al. | The research of the strawberry disease identification based on image processing and pattern recognition | |
Wen et al. | Virus image classification using multi-scale completed local binary pattern features extracted from filtered images by multi-scale principal component analysis | |
Song et al. | Boundary-to-marker evidence-controlled segmentation and MDL-based contour inference for overlapping nuclei | |
Huynh et al. | Plant identification using new architecture convolutional neural networks combine with replacing the red of color channel image by vein morphology leaf | |
Schnitman et al. | Inducing semantic segmentation from an example | |
CN104361339B (zh) | 掌形图形提取及识别方法 | |
Huigang et al. | Hierarchical remote sensing image analysis via graph Laplacian energy | |
CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
Li et al. | Hierarchical clustering driven by cognitive features | |
Rathore et al. | CBISC: a novel approach for colon biopsy image segmentation and classification | |
Bianchi et al. | An interpretable graph-based image classifier | |
Tsai et al. | Image co-saliency detection via locally adaptive saliency map fusion | |
Boukir et al. | Fast mean-shift based classification of very high resolution images: Application to forest cover mapping |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190319 Termination date: 20210915 |
|
CF01 | Termination of patent right due to non-payment of annual fee |