混合机器学习方法在卫星图像变化检测中的应用

工程科学与技术，国际期刊23（2020）973完整文章一种新的混合机器学习方法在遥感图像阿肖克·钦迈耶·帕蒂·阿.放大图片创作者：Pandaa，Ajaya Kumar Tripathyb，Sateesh K.Pradhana，SrikantaPatnaikca印度布巴内斯瓦尔乌特卡尔大学计算机科学系b印度布巴内斯瓦尔硅技术学院CSE系c印度布巴内斯瓦尔SOA大学CSE系阿提奇莱因福奥文章历史记录：收到2019年2019年12月7日修订2020年1月11日接受2020年1月31日在线提供保留字：机器学习有监督学习无监督学习遥感图像A B S T R A C T变化探测可在卫星监测中发挥重要作用。随着卫星图像在不同时间获取的地理区域的可用性，变化检测被认为是卫星应用领域的一项艰巨任务本研究提出一种新的混合机器学习变化检测技术从卫星图像。提出的混合学习方法是基于监督和无监督学习技术，考虑到卫星图像相邻像素的局部关联。聚类的混合，使用模糊逻辑的软标记，支持在变化检测中采用了向量机和遗传算法。SVM采用径向基函数（RBF）作为核函数，并利用遗传算法优化RBF核参数，如C和r，为了证明该方法的效率，测试是在两个不同时间拍摄的两幅卫星图像上进行的。变化检测精度用于验证性能。结果与现有的方法进行比较，发现是优越的。©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍图像分析、分类和变化检测在遥感中起着至关重要的作用[1，27]。卫星图像中的变化检测（CD）在许多不同的应用中可以发挥关键作用[1]。该CD过程可用于通过遥感多时相图像分割过程来识别土地覆盖的变化。一些变化的原因可能是由于环境和气象事件，如地震、火山爆发、野火、气旋风暴、洪水、干旱、大雪和海岸侵蚀[2]。CD被认为是遥感应用领域最具挑战性的课题之一[3，4]。CD在各种应用中具有至关重要的意义，例如土地覆盖动态研究，轮垦监测，森林燃烧，森林砍伐和植被变化[5]。这些问题涉及到更大的地理区域的检查;设计一个自动CD技术是必不可少的，以尽量减少这些应用程序中所涉及的手动工作和时间。CD用于通过合成在不同时刻拍摄的多个图像来识别地理区域的变化[6，7]。主要步骤包括*通讯作者。电子邮件地址：ajayatripathy1@gmail.com（A.K.Tripathy）。由Karabuk大学负责进行同行审查。在CD过程中，i）图像预处理，ii）寻找差异图像（DI），以及iii）差异图像分析。我们使用的变化向量分析（CVA）技术产生DI从同一地理位置的图像在两个不同的时间。的每个像素DI代表固定数量的地理区域。任务是将DI中的像素集分为两类，改变或不变的群体。这个分类的过程可以使用有监督的以及无监督的方法来执行像素的分割[8通过对DI像素的大小应用阈值方法，基于变化向量分析提出了几种无监督技术[1，13，14]。这种方法的局限性在于幅度算子丢失了一些关于差分方向的一些研究应用聚类技术来解决该问题，但在许多实际应用中，准确度低于阈值方法[15]提供的准确度。同样，聚类方法需要额外的物理后处理来标记具有改变的和未改变的标签的聚类，这限制了该方法的自动化。因此，在文献[16，17，24-26]中设计了其他几种有效的无监督虽然，监督方法比无监督方法表现得更好，但它需要大量的标记数据，而这些数据在现实中是不可用的。https://doi.org/10.1016/j.jestch.2020.01.0022215-0986/©2020 Karabuk University. 出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch××½×]½ ×þ] ¼½]的一种×974C. Pati等人/工程科学与技术，国际期刊23（2020）973本研究针对上述问题，设计了一种混合技术，利用优化的SVM和模糊c-均值进行卫星图像的变化检测。计划技术的目标是使用基本的无监督技术来获得变化像素的模糊集，其变化程度为模糊集。bership函数此外，它还应用-cut来自动标记数据集具有合适的a值。然后，它应用监督技术与自动标记的数据和预先收集的少量地 面 实 况 数 据 （ 通 过 传感 器 或 通 过 人 工 监 视 ） 。 支 持 向 量 机（SVM）是监督技术中最有效的方法之一[16，17]。支持向量机的精度在这种情况下，代替使用基于启发式的核和核参数设置，可以应用GA优化技术来选择最佳合适的核和核参数设置。使用GA的SVM优化可以在文献[18]中找到。该方法使用GA优化的SVM（O-SVM）分类器来处理监督学习。图1.一、意大利的墨西哥地区和撒丁岛地区的卫星图片本文的其余部分组织如下。第2节介绍了本文使用的数据集。特征提取过程在第3节中解释。在第4节中提出了CD的混合机器学习方法。第5节详细描述了工作中使用的监督方法。第六部分是实验评价与分析报告.最后，第7节总结了本文的工作。2. 数据集描述为了评估所提出的方法的性能，测试进行了两个多时相遥感图像类似的地理区域的墨西哥和意大利撒丁岛。墨西哥地区的图像是由Landsat-7卫星于2000年18：04：2000和2002年20：05：2002在墨西哥地理区域的一部分上拍摄的，如图所示。 1（a）和（b）。从整个场景来看，选择512 512像素的区域作为研究区域。在这两年里，一场大火烧毁了所考虑的大部分地区。差异图像如图1（c）所示。为了验证该方法的有效性，使用称为地面实况图像的参考图，如图1（d）所示。地面实况图像由25599个改变的像素和236; 545个不变的像素组成。图1（e）和（f）分别显示了1995年9月和1996年7月拍摄的意大利撒丁岛图像。从整个场景中选取412 300像素的部分区域作为研究区域。在两张拍摄日期之间，湖水水位升高。差异图像和地面实况图像如图所示。 1（g）和（h）。地面实况图像由7480个改变的像素和116120个不变的像素组成。数据集来自[5]。算法1：空间特征提取算法给定：在两个不同时刻捕获的两个图像M1、M2和要考虑用于空间信息的径向距离d目的：生成一个具有与每个像素位置相关的空间特征的数据集。程序：1. D I[i，j]= |M1[i，j]-M2[i，j]|2. 对于DI中的每行i：3. 对于DI中的每个列j：4. DS i n j径向距离d内的所有像素值，其中n是DI中的列数。这构成了像素位置[i，j]的生成特征。5. 像素强度P1 inJDI i; j6. 端7. 端8. 返回DS和PI3. 图像特征提取给定的遥感灰度图像的一个特定的地区采取了两个改变的时间实例。每个图像都可以被认为是一个整数矩阵，每个矩阵的大小为m n（m：行和n：列），值的范围从0到255。矩阵的每个元素代表图像的一个像素。图像的每个像素表示从其捕获图像的地理位置的特定位置，其被称为像素位置。让这两个矩阵表示为M1和M2。目标是确定发生变化的位置。该目标可以被重申为，识别表示在时刻t2相对于时刻t1的改变的位置的像素。空间信息可以在识别像素变化或不变方面发挥关键作用到Þ我1/4fg.Σ半]ΣðÞ213.¼½] -半]1我2NP我我我范围1;pCH1/1[001 pdf 1st-31files][001pdf 1st-31files][001pdf 1st-31files]12MMMM12NP1½ ]-1½].Þ¼c1c212np16. r1½m]<$c1r2½m]<$c2[001 pdf1st-31files]CH 和lUC 是算法C. Pati等人/ Engineering Science and Technology，an International Journal23（2020）973-981975考虑我们已经收集的空间信息，像素值以及位于径向距离内的相邻像素值（续）算法2：自动像素软标记用于特征提取的步骤d垂直或水平之间的距离-将相邻像素视为单位距离。空间特征提取过程在算法1中解释。在多波段图像的情况下，DI的像素强度（PI）由CVA技术产生[28]，即，使用等式（一）..r但是，这并不意味着你会有一个好的选择。20. 如果（E1>e或E2>e：21. 转到步骤222. PIS1¼ 0;PIS2¼ 0;c1¼ 0;c2¼0;23. 对于i，范围为e½1;np]：24. 如果p为1/4/1：Pl. XnPI bM-PI bM2.ð1Þ25. PIS1¼PIS1PI½i];c1++;ijb¼1ij1ij226. 其他27. PIS2PIS2PI i;c2++;28. 端4. 用于变化检测的混合机器学习方法在目前的工作中，混合（无监督和监督）机器学习方法提出了CD。该方法主要分为两部分：第一部分采用非监督方法学习每个像素在两类中的隶属度，然后结合这些自动生成的类标签，使用少量的标签像素进行分类器学习。最后，使用学习的分类器对所有像素进行分类，并测量性能精度在我们的实验中，随机选择相同数量的监督数据。所提出的CD方法如图2所示。每种方法的详细说明见后续章节。29. MPIS 1 ¼PIS1;MPIS2¼PIS2;30. 如果（MPIS1，MPIS2：31. 标签1： 变更;2：未变更32. 其他33. 标签1：未更改; 2：已更改g34. 返回pl<$pl;pl;·· ·;pl>4.1. 建议的无监督变化检测方法图像中的每个像素表示地理位置的特定区域。裁谈会问题的目的是确定发生变化的区域。或者，问题是将像素标记为两个标签之一-更改或未更改。提出了一种无监督的方法，算法2：自动像素软标记Given：由算法1生成的数据集DS和像素强度集Pl。DS被定义为DS^np;p;···;po，对每个像素类别进行等级软预测标记。像素软-标记过程在算法2中描述。此外，使用软标记设计了两个模糊集来表示变化的组和不变组。模糊集设计过程是其中，pi=p1;p2;···;pf>是f维向量，f：是特征的数量，并且np：是像素的数量PI被定义为PI 1/4i1;i2;···;inp，其中ik是表示每个像素强度的整数值。目的：将数据点标记为两个标签之一：改变或不变。程序：1. 随机选择两个数据点r1和r2，NP作为两个代表。在算法3中描述。4.2. 用于监督学习在完成无监督学习后，所有像素都是两个模糊集的成员，即改变（CH）和不变（UC）。模糊集CH定义为：CH¼.i=lnp;模糊集UC定义为2. 对于范围1中的k;np：sPf1/1UC¼。i=1UC国际新闻社2019- 01 -21;式中，np<$m×n：4. DsPfpiri2我¼13. 对于监督学习，我们将使用很少的地面实况像素标签（小于15%）的G和标签的α切割的两个模糊集CH和UC。 在我们的实验中，alpha的值是5. plabelArgMinxxdxd分别取0： 6、0： 7、0： 8和0： 9。 训练集将是K K6. 端fG [CH [UCg，测试集为fDSg。7. rold<$r1; rold<$r2;8. 对于m在1/21范围内;f]：9. FS1¼0;FS2¼ 0;c1¼ 0;c2¼ 0;10. 对于n，范围为e½1;np]：算法3：改变和不变的模糊集设计过程Given：由算法1生成的像素强度集合Pl。Pi11. 如果PL12. FS11/4/11：DS n m c;定义为PI。i1;i2;·· ·;inp，其中ik是整数值M其他m=0.05;]中;1þþ其表示第k个像素强度。每个像素14. FS2¼FS2DS½n;m];c2;p l<$

和由算法2生成的标签。15. 端FSm的情况。1 217. 端目的：定义两个模糊集，分别用隶属函数lCHi和lUCi表示变化（CH）类和不变（UC）类：程序：18. E是的，我知道。ffiffiffirffiffioffilffidffiffiffiiffiffiffiffiffiffiffiffiffirffiffiffiffiffiiffiffiffiΣffiffi2ffiffi1/11. 设cl/Label/L变换d/;最大值：1;最小值：1;2. 对于i在范围1/2;np]：19. EsPfroldiri23. 如果. pl¼ lclPI½i]>maxmax：2221/1（接下页）MFS3. d1¼成员资格值l2¼[]-2½]1¼.我[1/2]¼半].209年。如果附件：ð Þ¼ðÞ¼Pb <$b ≥ ;¼ ;;· ··;：iii01/12英尺-g.Σ.. ΣΣð Þ.Σgi¼1PB¼≤b≤;¼ ;;·· ·;：iiið Þ≥@Z@a1/1我Max现在对偶问题可以表述为：给定训练1/1我 21/1第1页我 ji j我 J我J我J我21/1我我2019 -02 - 221/1我 我我M976C. Pati等人 /工程科学与技术，国际期刊23（2020）973-981（续）Z¼XM bt Fð8Þ算法3：改变和不变的模糊集设计过程4. 最大¼PI½i]5. else if（p1<- cl PI i min：6. 最小PI i7. 端8. 对于i在范围1/2;np]：应用Eq. (7)，Eq. (5)收益率Pbiti¼0千9百万1/1设置等式（8）和（9）在Eq.（5）、问题转化为fb¼XM b-1XM XM b bl l F T F;其中b≥0 <$10 <$L我10. lCHiPI½i]; lUCi0;联系我们1/1j1ij i j我JI11. 其他PI i样本fFi;tigM求拉格朗日乘子fbgM最大-12. lUC imi nn]; lCHi0;13. 端2019 - 01 - 21使目标函数最ii¼114. 返回lCH和lUCfb¼XM b-1XM XM b bl l F T F;其中b≥0 <$11 <$5. OSVM：用于变化检测的有监督方法提出的优化支持向量机（OSVM）是一种用于线性不可分数据集的有监督机器学习方法。该方法通过遗传算法优化支持向量机的核参数来实现。5.1. SVM分类器假设：手头的问题是一个有监督的二元线性可分类问题.训练样本可以定义为Fi2 Rn; i 1; 2;···; M.即，训练样本集由M约束条件为M10和 0i1 2M1/1的最优超平面可以是通过最大化fbw：r：至bi≥0，受约束条件约束PM bil i <$0且bi≥0;i¼1; 2;···;M：5.2. 非线性SVM在该方法中，训练样本通过适当的非线性变换函数u映射到高维特征空间u<$F<$2RN0;N0 >N：在这个RN中，两个类之间的分离可以看作是N维特征空间中的向量。每个训练样本Xi与类级别1 i1相关联;1.一、由于假设类是线性可分的，因此至少存在一个超平面可以分离两个类。设该超平面的方程为ZTFa¼0，其中F为fea。真向量Z2Rn是一个灵活的权矩阵，并偏置一个2R.）ZT Fia≥0如果li 1/21;1/32线性可分的情况。因此，方程中定义的优化问题。(11)可以通过在变换空间u<$Fi<$;uFj中用内积替换Fi;F j来重写。但主要问题是计算uF，这可能被证明是昂贵和耗时的。然而，内核方法提供了一种替代方案来处理这个问题。让我们假设核函数满足上述变换条件，即，G. F; F; U。F; uF。因此，对于非-线性情况可以表述为：对于{Fi，ti} M，找到fb gM的且ZT Fi≤0如果li1/4-1;可能存在无限数量的超平面，最大M MMi=1ii¼1两个类，但我们必须找到一个超平面，其中，fbX b-1X Xb b l i l j g.Fi;Fj最接近的数据点的间距是最大的。这个超平面被称为最优超平面，用于分离这两个我1/12升1我J第1页班最佳Z和α可以通过以下优化问题（p）获得给定训练样本f<$Fi;li<$M，找到Z和a，使得l i Z T F ia ≥1;对于i 1; 2;·· ·;M和Z最小化uZ1jjZjj2。带约束其中，r是正则的-1/1化参数判别函数DF可以表示为：DFXMblgF;Fa13这个问题可以被视为一个原始问题，因为uZ是Z的凸函数，并且约束在Z中是线性的。约束优化问题可以使用拉格朗日乘子来求解。我们可以将拉格朗日公式构造为：12 XMh.Tifz;a;bZjj-btZFa-1 美元5美分基于核的支持向量机提高了支持向量机在大多数现实数据集上的性能，但它涉及到核参数和正则化参数r等多参数选择问题。本文的目的是自动化的过程中，基于核的支持向量机的参数选择使用遗传算法。遗传算法：遗传算法（GA）解决问题从候选人中寻找最佳假设其中bi0称为拉格朗日乘数。这个优化问题的解决方案要求@fZ;a;b06@fZ;a;b0 7应用Eq. (6)，Eq. (5)收益率假说.最佳假设被定义为优化预定义的适应性度量的假设。遗传算法的工作原理是在一组称为初始种群的假设条件在每次迭代中测试每个假设的适应度值。然后，通过从当前假设集合中选择一些最佳拟合假设并通过遗传操作产生新的后代个体来生成新的假设集合。这些新的假设集合被向前推进到进一步的迭代。我-.ffiffiffiΣþ2002年f半]--¼一C¼¼CCCCC瓦尔2k- 11/1一AE¼1/1一、采取.ΣC. Pati等人/ Engineering Science and Technology，an International Journal23（2020）973-981977图二. 所提出的变化检测方法的架构。适应度函数测试假设在每一代中的适应度。遗传操作如交叉和变异操作是任意影响质量的素函数。假设是通过它们的质量来选择再生的。具有较高机会的高质量的被选择用于使用轮盘赌轮或锦标赛选择过程的交叉池。进化过程一直持续到满足终止条件。5.3. 基于遗传算法的SVM参数正则化而不是使用假设的核参数的SVM，GA的工作与一组候选的解决方案称为假设空间。为了证明该方法，选择了用于SVM分类器的RBF核。RBF核需要两个参数，C和c，它们必须被优化。提出了一种基于遗传算法的径向基函数核参数优化方法。GA染色体由C和c两部分组成。但是，这些染色体对于不同的内核改变了因子。二进制编码用于表示染色体，CD精度用于适应度函数。染色体的结构是bp;bp-1;···;b1;bq;bq-1;·· ·;bq1pq比特，其中b表示1比特。p是表示参数C的比特数，q是表示参数p的比特数，并且q可以根据所需的计算精度来选择。核参数的精度取决于p和q的值;并且参数的允许最小值和最大值是预定义的。参数的值由Eq.（十四）、racy达到接近100%，或者如果在最后几代中准确度没有提高，或者迭代(500)已经到达。遗传算法的参数设置：种群规模200，交叉率0：75，变异率0：01，两点交叉，轮盘赌选择。6. 实验结果及分析为了调整超参数，实验上进行遥感图像。所提出的工作由三个超参数组成：1）用于特征生成的径向距离d，2）用于切割的a的值，以及3）地面实况数据的%b。为了获得这些参数的最佳值，我们已经对这三个参数的值的组合进行了实验。作为实验-分段，一个用于特征生成的径向距离d1/4p2，考虑用于软标记的三种不同的a-切割，a2 f0： 6; 0： 7; 0： 8gx，和三种不同百分比的地面真实数据b 2; 4;对于验证，分别对2%、4%和5%训练样本进行50倍、25倍和20倍交叉验证。实验用两个符号a;b编码。在标签的预测中考虑两种类型的误差：1）假阳性（FP），其中像素真实标签未改变但预测的标签改变，2）假阴性（FN），其中像素真实标签改变但预测的标签未改变。总误差，E FP FN。在一个k倍实验平均误差a¼½amax-amin]×Xkbi×2i-114PkEK其中，aval是染色体中参数a的值，amaxamin是a的最大和最小允许值，k是用于编码a，b的比特数i是染色体内a的第i比特值适应度函数：像素标注准确率是适应度函数.因此，具有更高准确性的假设产生一个很高的健身价值。具有高适应度值的假设具有高概率传递到下一代。停止准则：通过应用遗传算子生成新一代假设的过程将在准确性之后停止在两个数据集上获得的结果为d 1： 414如表1所示。这些结果表明，超参数d1： 414和a1：0： 7在b1：5时表现更好。还可以观察到，通过将b从2增加到4，误差显著减小，而通过将b从4增加到5，误差减小可忽略。由于实际上地面实况数据的可用性本质上很小，因此我们选择了b/4用于进一步的实验，d为1： 414，a为0： 7。为了直观地比较图3和图4分别绘制了墨西哥和撒丁岛数据集的978C. Pati等人/工程科学与技术，国际期刊23（2020）973表1超参数（a、b和d）调谐实验结果。实验细节的值a切使用的监督数据%K倍平均假阳性K倍平均假阴性K倍平均总误差墨西哥d ¼10.62424462179537652298328310.75220851899589506267427050.8452187521222179732465766260725872945452297208661169629082782墨西哥d¼ 1的数据： 4140.62423442106589703293328090.75220731991552630262526210.8452202920832532508427413253725102945452179208568962328682708Sardinia data Withd¼ 10.6241144958286287143012450.752819879273278109211570.8452838867128018416620910221033148945106492121830712821228撒丁岛数据第1卷： 4140.624511259067932823022381407120810310.70.824529268387731189211175232264113710131005145341037212124959672111178图三. MexicoData的不同Hyper参数HP_a_b和d的结果。见图4。 Sardinia数据的不同Hyper参数HP_a_b和d的结果。由于所提出的方法是一种混合方法，它是监督和无监督机器学习的组合，为了选择合适的技术用于方法的两个组成部分，进行了几个 实 验 考 虑 了 非 监 督技 术 ， 例如 基 于 密 度 的 聚 类 技 术 修 订 的DBSCAN[23]、k-means[21]和模糊c-均值（FCM）[22]支持向量机、带软标记的OSVM、 RBF网络（15个隐层单元：9-15-1）、MLP 1（浅网络：结构-9-20-1，活动-使用的函数- sigmoid）、MLP 2（深度网络：结构-9-5-5-5-1，使用的激活函数- sigmoid）被认为是监督方法。实验进行考虑一个聚类和一个分类技术的时间。5%的训练模式用于监督学习，并进行20倍交叉验证。两个数据集获得的结果见表2。为了进行直观比较，两个条形图均显示在图1中。 5和6. 结果表明，--C. Pati等人/ Engineering Science and Technology，an International Journal23（2020）973-981979表2有监督和无监督机器学习模型选择。使用的数据集采用办法20-平均MA20-平均FA20-平均TE墨西哥数据集DBSCAN22737192992DBSCAN20216462677DBSCAN27998943693DBSCAN27958833678DBSCAN26358313466k-Means24847833267软标记k-Means21206712791k-Means28178933710k均值29119193830k均值28138923705模糊C均值21856942879软标记FCM-OSVM19076032510FCM27838823665FCM27298593588FCM28819063787撒丁岛数据集DBSCAN9312801211DBSCAN8342541097DBSCAN10253081333DBSCAN10383121350DBSCAN9932951288k-Means9632901253软标记k-Means8752631138k-Means10833221405k均值11253281453k均值10733261399模糊C均值9022711173软标记FCM-OSVM7732321005FCM10333121345FCM10123051317FCM10593181377与其他组合相比，FCM + OSVM与软标记提供了更好的结果为了评估所提出的技术的效率，对两个数据集进行了测试，并将使用所提出的方法记录的性能与基于SVM，MLP[19]和RBF网络[20]的三种监督方法以及两种无监督方法进行了比较。方法基于对K 意味 [21日]和Fuzzyc表示[22]。对于所提出的方法，5%的训练模式被认为是和20倍的交叉验证，以验证的准确性。对于监督方法，使用70%的训练数据和30%的测试数据。对于SVM，接近c¼1和c¼0的值：2。对于MLP，网络有9个输入见图6。有监督和无监督机器学习模型选择：Sariania Data。图五.有监督和无监督机器学习模型选择：墨西哥数据。单元在输入层，2个内层，每层3个单元，1个节点在输出层。每个单元中使用的激活函数是Sig-moid。RBF网络的输入层有9个节点，隐层有20个节点，输出层有1个节点。两个数据集获得的结果见表3。为了进行直观比较，图7中给出了条形图。这些结果表明，监督的方法提供了更好的结果相比，无监督的方法。然而，在现实中，获得大量的标记数据是不可能的，在这个问题。然而，所提出的混合方法给出了一个优越的结果与少数（只有5%）标记的数据.-980度Pati等人/工程科学与技术，国际期刊23（2020）973表3独立应用监督和无监督学习模型的性能比较无监督模糊2 -均值无监督模糊2-均值1269 401 1670PA 773 232 1005见图8。 与最近方法的性能比较。见图7。监督和无监督学习模型独立。表4与最近方法的性能比较。使用的数据集接近20倍使用的平均MA20倍平均FA20倍平均TE使用无监督学习生成此外，随着软标记和少量的地面真实数据，使用OSVM应用监督学习。在本研究中，模糊C意味 作为无监督学习的基本方法。实验在多时相卫星数据集上进行，以验证墨西哥数据集DFMA 2871 912 3783MRFA 3725 1172 4897MCSA 1971 664 2605电话：1907 603 2510所提出的方法的有效性。从结果中可以看出，当少量的监督数据可用时，所提出的混合机器学习方法所提出的方法与最近的方法进行了比较。将基于马尔可夫随机场的方法（MRFA）[24]、基于深度特征映射的方法（DFMA）[25]和基于多分类器系统的方法（MCSA）[26]的变化检测结果与所提出的方法（PA）进行比较。5%的训练模式用于监督学习，并执行20倍交叉验证。两个数据集获得的结果见表4。对于视觉对比，条形图如图8所示。结果表明，该方法提供了更好的结果相比，最近的方法。7. 结论提出了一种基于混合机器学习的变化检测方法。在这种方法中，作者要感谢Jaideep Talukdar教授的全面和建设性的评论，这有助于提高本文的质量。引用[1] A. Singh，使用遥感数据的数字变化检测技术，Int. J. 《 遥感》，10（6）（1989）989-1003。[2] A.M. Roy，S. Ghosh，A. Ghosh，主动学习模式下的神经网络方法用于遥感图像的变化检测，IEEE J. Sel. Top.应用地球观测远程传感器7（4）（2014）1200-1206。[3] M.萨内蒂湖Bruzzone，多光谱图像中二进制变化检测的广义统计模型，在：地球科学与遥感研讨会（IGARSS），2016 IEEE国际，IEEE，2016年，pp.3378-3381。[4] A.P. 图克斯伯里，A.J.新泽西州康伯Tate，A.Lamb，P.F.傅立叶，遥感光学图像变化检测技术的关键综合，遥感。Environ. 160（2015）1-14。[5] S.戈什湖，澳-地Bruzzone，S. Patra，F. Bovolo，A. Ghosh，基于Hopfield型神经网络的无监督变化检测的上下文敏感技术，IEEE Trans. 地球科学远程传感器 45（3）（2007）778-789。使用的数据集采用办法20-平均MA20-平均FA20-平均TE墨西哥数据集监督SVM12623161578监督MLP13803051685监督RBF网络13253401665无监督2均值3113283587994539923780PA19076032510撒丁岛数据集监督SVM705202907有监督MLP有监督RBF网络无监督2-Means79068513121982943939889791705撒丁岛数据集DFMA12513781629MRFA16535042157MCSA9012721173致谢PA7732321005C. Pati等人/ Engineering Science and Technology，an International Journal23（2020）973-981981[6] L. Bruzzone，D.F. Prieto，An mrf approach to unsupervised change detection，in ： Proceedings of International Conference on Image Processing ： ICIP 99，IEEE，1999，pp. 143- 147[7] K. Islam，M.贾希穆丁湾Nath，T.K.利用多时相遥感图像进行土地利用分类和变化探测：以孟加拉国和埃及的丘纳蒂野生动物保护区为例。J. Remote Sens. Space Sci.21（1）（2018）37-47。[8] F. Yuan，K.E.Sawaya，BCLoeffelholz，M.E.王文，等，中国城市土地覆盖分类与变化研究，北京：中国城市科学院。98（2）（2005）317-328。[9] G. 坎 普 斯 瓦 尔 斯 湖 Gómez-Chova ， J. Munoz-Marvel ， J.L. Rojo-Alvarez ， M.Martınez-Ramon ， 基 于 核 的多 时 相 和 多 光 谱 遥感 数 据 分 类 和变 化 检 测 框 架，IEEETrans. 地球科学远程传感器 46（6）（2008）1822-1835。[10] F. Melgani，G. Moser，S.B. Serpico，遥感图像的无监督变化检测方法，Opt. Eng.41（12）（2002）3288-3297。[11] D. Liu，K. Song，J.R.龚平，利用马尔可夫随机场局部转移概率模型进行森林变化检测，遥感。Environ. 112（5）（2008）2222-2231。[12] G. Pajares，一种用于图像变化检测的Hopfield神经网络，IEEE Trans. 神经网络17（5）（2006）1250[13] L. Bruzzone，D.F. Prieto，用于无监督变化检测的差分图像的自动分析，IEEETrans.Geosci。38（3）（2000）1171-1182.[14] F.博沃洛湖Bruzzone，基于极域变化向量分析的无监督变化检测理论框架，IEEE Trans. 地球科学Remote Sens.45（1）（2007）218-236.[15] F.博沃洛湖Bruzzone，M. Marconcini，基于半监督SVM和相似性度量的无监督变化检测新方法，IEEE Trans. Geosci.遥感46（7）（2008）2070-2082。[16] C. Cortes，V. Vapnik，Support Vector Networks，Mach.学习. 20（3）（1995）273- 297。[17] E.图巴湾图巴湾Beko，在：支持向量机参数优化增强烟花算法，施普林格，2016年，pp。 526- 534[18] C.- L.黄角，澳-地王军，基于遗传算法的支持向量机特征选择与参数优化，专家系统应用，31（2）（2006）231-240。[19] M.T. Hagan，H.B.Demuth，M.H.Beale，O. 神经网络设计，北京：计算机科学出版社，1996.[20] M.J. Orr等人，介绍径向基函数网络，1996年。[21] S. Basu ， A. 班 纳 吉 河 Mooney ， Semi-supervised clustering by seeding ，Proceedings of 19th International Conference on Machine Learning（ICML-2002）。Citeseer），2002年。[22] N.S.米什拉河Ghosh，A.高希，结合局部信息的模糊聚类算法在遥感图像变化检测，应用软件计算。12（8）（2012）2683-2692。[23] T.N. Tran，K.德拉布，M.Daszykowski，修正的DBSCAN算法对具有密集相邻簇的数据进行聚类，Chemometr。内特尔实验室120（2013）92-96。[24] A.G.韦湖，澳-地Zhihan，H.明，基于改进马尔可夫随机场的遥感图像变化检测方法，多媒体工具应用。 76（17）（2017）17719-17734。[25] P. Zhang，M.贡湖，澳-地Su，J. Liu，Z. Li，基于深度特征表示的变化检测和映射转型为多空间分辨率遥感图像，ISPRS J. Photogramm.远程传感器116（2016）24-41.[26] M. 罗伊，S。Ghosh，A.Ghosh，使用半监督多分类器系统进行遥感图像变化检测的新方法，Inf.Sci。269（2014）35-47。[27] L. Xu，H.Zhang，M.Zhao，中国粘蝇D.Chu，Y.Li，使用低秩表示集成光谱和空间特征用于高光谱图像分类，在：IEEE国际工业技术会议（ICIT）会议录，IEEE，2017年，pp. 1024- 1029[28] W.A. Malila，《变化矢量分析：用陆地卫星探测森林变化的方法》，LARS专题讨论会，1980年，第385页。Chinmayee Pati获得了B.Tech。2010年获得Bijupatnaik技术大学布巴内斯瓦尔工程学院计算机科学工程学位，2013年获得Utkal大学计算机科学与应用PG系计算机科学工程学位。目前她正在攻读博士学位。获得Utkal大学计算机科学与应用系学位。她的研究兴趣包括图像处理，机器学习和软计算。Ashok Kumar Panda于1999年获得MCA学位，2006年获得Utkal大学计算机科学学位。2000年，他加入了布巴内斯瓦尔科学信息技术研究所的MCA系，目前他是高级助理教授。他也是Utkal大学计算机科学与应用PG系的研究学者。他的研究兴趣包括图像处理，机器学习和实时数据库系统。Ajaya Kumar Tripathy博士是印度布巴内斯瓦尔硅技术学院计算机科学与工程系的副教授。特里帕蒂博士拥有专业的医学技术。2008年获得意大利特伦托大学电子政务学位。2007年，他完成了M.Tech。印度Utkal大学计算机科学学位。从2008年到2010年，他是意大利特伦托布鲁诺·凯斯勒基金会（FBK）SOA研究部门的博士生。Tripathy博士还曾在印度统计研究所和意大