[发明专利]基于多粒度级联森林模型的SAR图像变化检测方法

权利要求书

1.一种基于多粒度级联森林模型的SAR图像变化检测方法，其特征在于，包括如下步骤：

(1)给定两幅配准的具有相同尺寸的多时相SAR图像I₁和I₂，并对I₁和I₂使用对数比算子，生成归一化的差异图I_d；

(2)以归一化的差异图I_d每个像素点为中心按大小为21×21取块，每个图像块作为一个样本，也就是每个样本对应一个像素点，然后对每个样本提取类哈尔特征；

(3)随机选取少量样本作为训练样本，利用训练样本的类哈尔特征对多粒度级联森林模型进行训练，得到训练好的多粒度级联森林模型；

(4)利用训练好的多粒度级联森林模型，对所有样本进行测试，得到预测结果

(5)生成两个概率图T₁和T₀：

将所有样本的类哈尔特征输入到已训练好的多粒度级联森林模型，得到每个样本属于变化类的概率p1和属于非变化类的概率p0，其中，对每个样本有p1+p0＝1，用所有样本中属于变化类的概率p1构成第一概率图T₁，用所有样本中属于非变化类的概率p0构成第二概率图T₀；

(6)利用差异图I_d、第一概率图T₁和第二概率图T₀构成新特征，重新训练多粒度级联森林模型，得到新预测结果并将新预测结果的Kappa系数与上一次预测结果的Kappa系数进行比较，选择Kappa系数较高的预测结果作为最终的变化检测结果。

2.如权利要求1所述的方法，其特征在于，步骤(1)中利用对数比算子生成归一化后的差异图I_d，按如下步骤生成：

(1a)根据多时相SAR图像I₁和I₂生成差异图：

其中，log代表取对数操作，|·|表示取绝对值操作；

(1b)对差异图I_d1进行归一化，得到归一化后的差异图：

其中，min(·)表示取最小值操作，max(·)表示取最大值操作。

3.如权利要求1所述方法，其特征在于，步骤(3)中的多粒度级联森林模型，包括多粒度窗口和级联森林两部分，其中：

所述多粒度窗口，包含三个大小分别为15×1，30×1和60×1的滑动窗口，利用三种滑动窗口分别扫描每个训练样本的类哈尔特征，能使特征更加丰富；

所述级联森林，由多个层级构成，它的每一层均是一个集成的决策树森林，设置每一层包括2个随机森林和2个完全随机森林，每个森林都包含了20棵决策树；

把多粒度窗口扫描产生的特征输入到级联森林，就得到训练好的多粒度级联森林模型。

4.如权利要求1所述方法，其特征在于，步骤(6)中用差异图I_d、第一概率图T₁和第二概率图T₀构成新特征，是先利用差异图I_d、第一概率图T₁和第二概率图T₀构成三通道图像；对每个通道提取类哈尔特征，再将三个通道对应位置提取的类哈尔特征首尾相接，得到新的特征。

5.如权利要求1所述方法，其特征在于，步骤(6)中Kappa系数，按如下公式计算：

其中，PRA表示实际的一致率，PRE表示理论的一致率：

其中，N表示图像总像素点数，N_c表示参考图中属于变化类的像素点数，N_u表示参考图中属于非变化类的像素点数，改参考图为人工标记的真实变化图像，TN表示被正确检测为变化类的像素点数，TP表示被正确检测为变化类的像素点数：

TN＝N_c-FN，

TP＝N_u-FP，

其中，FN表示将变化类错检为未变化类的像素点数；FP表示将非变化类错测为变化类的像素点数。