[发明专利]基于半监督梯形网络的极化SAR图像分类方法

说明书

一种基于半监督梯形网络的极化SAR图像地分类方法，主要解决现有技术中极化SAR图像特征选取不合理导致分类精度不高和无标记数据信息浪费的问题，充分利用有标记数据和无标记数据。其实现步骤为：(1)输入图像；(2)精致Lee滤波；(3)选取训练样本和测试样本；(4)搭建梯形网络结构；(5)训练梯形网络；(6)对待分类的极化SAR图像分类；(7)计算分类精度；(8)输出结果。本发明在训练网络时采用监督学习与无监督学习相结合的方式，通过重构梯形网络的损失函数，增强了模型的鲁棒性，有效地提高了分类精度，适用于对极化SAR图像进行地物分类。

技术领域

本发明属于图像处理技术领域，更进一步涉及极化合成孔径雷达图像分类技术领域中的一种基于半监督梯形网络的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明采用改进的半监督梯形网络对极化SAR 图像的每个像素进行特征表示，可用于极化合成孔径雷达SAR图像目标的地物分类和目标识别。

背景技术

合成孔径雷达(SAR)系统能够得到具有全天时、全天候、高分辨率的遥感图像，极化合成孔径雷达(PolSAR)是先进的SAR系统，通过发射和接收极化雷达波来观察到的土地覆盖物和目标，极化SAR图像包含丰富的地物信息，极大地增强了成像雷达对目标信息的获取能力。极化合成孔径雷达(PolSAR)作为合成孔径雷达技术中一个重要的研究方向，在农业生产、城市规划、海冰监测等众多领域内具有巨大的应用价值。

根据是否需要有标签样本，PolSAR图像分为监督分类和无监督分类。

西安电子科技大学其在申请的专利文献“基于SLIC和改进的CNN的极化 SAR图像分类方法”(专利申请号：201611054919.4，公开号：CN106778821A) 中提出了一种基于SLIC和改进的CNN的极化SAR图像分类方法。该方法首先根据极化SAR图像的九维极化数据,计算极化SAR图像每一像素点的Wishart距离, 并将该距离与九维极化数据合并,获得极化SAR图像新数据，利用Lee滤波方法, 对待分类的极化SAR图像进行精致Lee滤波；然后输入到已改进的CNN中进行分类,获得初步分类结果,然后将极化SAR图像的伪彩色图像进行SLIC超像素分割, 获得超像素分割结果,最后利用超像素分割结果对初步分类结果进行约束后处理, 获得最终分类结果。该方法虽然充分利用了极化SAR图像的有标签数据，提高了有监督极化SAR图像分类的分类速度和分类精度。但是，该方法仍然存在的不足之处是，该方法提取特征的过程复杂且需要一组足够多的已标记数据作为训练集，在已标记数据较少的情况下易导致分类正确率较低，大量无标记数据信息浪费的问题。

西安电子科技大学在其申请的专利“基于谱聚类的极化SAR图像分类方法” (专利申请号：201210424175.6，公开号：CN102982338A)中公开了一种基于谱聚类的极化SAR图像分类方法。该方法首先提取表征极化SAR目标散射特征的散射熵H,结合空间坐标信息,作为MeanShift算法的输入特征空间；在特征空间用 MeanShift算法进行分割,得到M个区域；在M个区域上,选取各区域的代表点作为谱聚类的输入,对各区域进行谱分割,进而完成对所有像素点的谱聚类,获得预分类结果；最后,对预分类得到的整幅图像用能反映极化SAR分布特性的Wishart 分类器进行迭代分类,得到分类结果。该方法虽然可对极化SAR图像进行无监督分类，减轻了获取标记样本的压力。但该方法存在的不足之处是，操作复杂，需要自主提取一部分特征，无监督分类没有标记样本的标签指导，导致无监督学习通常很难保证较高的学习精度。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种半监督梯形网络的极化合成孔径雷达SAR(Synthetic Aperture Radar)图像分类方法。本发明充分利用无标记数据和标记数据，构造损失函数，使监督学习与无监督学习相结合，通过最小化带噪声编码路径对同一样本多次分类的结果差异，在只有少量有标记数据的情况下，充分利用大量无标记数据提取更丰富的特征，提高分类精度和分类效率。