1.基于迁移学习和主动学习的SAR图像变化检测方法，其特征在于：具体包括如下步骤：步骤1，选取窗口大小为3×3的Lee滤波器分别对训练数据集中两幅原始的获取于不同时间的SAR图像X1，X2进行滤波预处理，有效去除斑点噪声；

步骤2，利用log‑ratio运算符获取差异图像X，与训练数据集中的变化检测参考图一同构成样本集；

步骤3，在样本集中随机选择变化类和非变化类样本共Li个组成训练样本集，使用训练样本集训练初始SVM分类器；

步骤4，主动学习：利用SMI样本选择方法在样本集中选择n个样本进行标记，并加入到训练样本集Li中，获得新的训练样本集，利用新的训练样本集重新训练SVM分类器，利用训练得到的SVM分类器对所有样本进行分类；得到判别函数f(x)；利用Sigmoid函数将判别函data数f(x)转化为后验概率p ；

步骤5，不断循环步骤4的主动学习过程，当循环次数达到规定的循环次数最大上限Smax，停止循环并转步骤6；否则，转步骤4；

步骤6，迁移学习：利用log‑ratio运算符获取待检测数据集的差异图像，利用主动学习过程训练获得的SVM分类器对待检测数据集的差异图像进行分类，得到待检测数据集二类data2判别函数g(x)；利用Sigmoid函数将g(x)转化为二类后验概率P ；

步骤7，构造能量函数：采用二阶MRF随机场作为能量函数中的空间先验，并与步骤6获data2得的后验概率P 相结合构造能量函数E，然后利用α‑expansion对能量函数E进行优化得最终变化检测结果，对变化类像素标记为“1”，非变化类像素标记为“0”，输出检测结果。

2.根据权利要求1所述的基于迁移学习和主动学习的SAR图像变化检测方法，其特征在于：步骤2中，采用log‑ratio运算符获取的差异图像X为：其中，X1，X2分别为获取于不同时间的SAR图像。

3.根据权利要求1所述的基于迁移学习和主动学习的SAR图像变化检测方法，步骤3的具体过程如下：{(x1,y1),(x2,y2),…,(xi,yi)}是一组从训练数据集中随机抽取获得的训练样本，xi∈Li为任意训练样本，yi∈Ω为相关的标签,Ω≡{1，...，K}为标签集合，共包含K类；采用拉格朗日优化理论将分类问题转换成为一个优化问题对分类器进行训练，得到初始SVM分类器。

4.根据权利要求3所述的基于迁移学习和主动学习的SAR图像变化检测方法，步骤4中判别函数f(x)定义为其中：SV表示支持向量的集合，xi作为支持向量，K(xi,x)是RBF核函数，αi是拉格朗日因子，如果相应的αi有一个非零值，对于给定的测试样本x，用判别函数f(x)来预测样本的类标签。

5.根据权利要求1所述的基于迁移学习和主动学习的SAR图像变化检测方法，步骤4中，data使用Sigmoid函数将SVM输出转换为后验概率p ，如下式：其中，f(xi)为样本xi的判别函数。

6.根据权利要求5所述的基于迁移学习和主动学习的SAR图像变化检测方法，步骤4中，SMI样本选择方法具体如下：采用SMI样本选择方法选择新的样本 如下：

其中，H为后验精度矩阵，SU为从样本集中移除训练样本集样本所剩下的所有样本组成的集合；这里，采用定义在二阶邻域系统上的空间关系来修正样本的统计模型，令Ni为与xi2

相邻的样本集合；由于Ni＝{dist(xi,xj) ≤2,i≠j}，dist(xi,xj)表示样本xi和样本xj之间context的欧氏距离，因此，在获得后验概率的基础上，给定标签样本的条件分布p 的马尔科夫模型表示为：其中，δk(yi,yj)是Kronecker delta函数，xi和xj对应的类标签分别为yi和yj，这里当两context个变量yi和yj有不同的取值时函数等于零，当两个变量yi和yj具有相同的值时，p 函数等于1；β是一个常数，Z为归一化常数。

7.根据权利要求1所述的基于迁移学习和主动学习的SAR图像变化检测方法，步骤7中优化后的能量函数为：利用α‑expansion对能量函数进行优化得最终变化检测结果。