[发明专利]基于多视角学习的极化SAR数据分类器实时更新方法

说明书

本发明属于机器学习算法和图像处理技术领域，具体涉及一种基于多视角学习的极化SAR数据分类器实时更新方法，旨在为了解决分类器不能实时更新或只能单独更新而忽略视角间一致性、互补性以致影响分类精度提升的问题，本方法包括：S1，基于t时刻的极化SAR图像，提取样本极化特征、颜色特征、纹理特征；S2，通过在线多视角分类模型，估计样本的地物类别标签；S3，根据真实地物类别标签计算损失，当损失大于零时通过拉格朗日乘子法求解所述在线多视角分类模型闭式解的方法，对分类器进行更新；S4，获取t+1时刻的极化SAR图像后，重复S1至S3，直至全部极化SAR图像处理完毕。本发明可以实现极化SAR数据在线实时分类，在线分类错误率更低。

技术领域

本发明属于机器学习算法和图像处理技术领域，具体涉及一种基于多视角学习的极化SAR数据分类器实时更新方法。

背景技术

极化SAR是一种先进的微波遥感工具，在不同的收发极化组合下，对地物目标的散射特性进行测量，能够获取目标的介电常数、物理特性、几何形状和取向等信息。相较于单通道SAR，极化SAR能够获取更丰富的地物信息和分类特征，是微波成像发展的主要方向之一。因此，极化SAR在地球资源普查、环境灾害监测、城市规划、军事侦察等领域都有着广阔的应用前景。随着极化SAR系统的发展和应用，对海量极化SAR数据的在线分类技术的研究具有重要的理论价值和应用意义。

在过去的二十年里，极化SAR分类问题得到了广泛的关注，并涌现了包括有监督、半监督和无监督的一系列分类方法，如西安电子科技大学申请的专利“基于稀疏编码和小波自编码器的极化SAR图像分类方法”(专利申请号：201610407916.8，公开号：CN106096652 A)中国人民解放军国防科学技术大学申请的专利“一种结合旋转域极化零角特征的极化SAR地物分类方法”(专利申请号：201710088598.8，公开号：CN 106909939 A)。然而，现有的这些极化SAR分类方法都是离线学习算法，它们要求数据在训练开始时都是可用的，从训练数据中学习模型，只有当训练完成时，才能做分类预测。另外，当新来样本被错分时，训练的分类器不再进行更新，或者需要在整个新的数据集上重新进行训练。因此，这类方法环境自适应性不强，重训练也会比较耗时。除此之外，现有的大多数方法都是单视角分类算法，即仅使用了一种类型的特征或将多种特征简单的串联起来组合成一个向量特征，而忽视了各视角特征数据的不同属性和之间的关系，影响了分类精度。

针对上述问题，本发明提出一种在线多视角学习方法，并用于极化SAR数据的在线分类任务中。不同于离线学习，在线学习能高效地更新分类器并且不会重新使用之前所有数据。对于机载或星载的极化SAR系统，数据往往是大规模的，并按照一个连续的序列不断被获取。通过引入在线学习，系统能从数据流中增量式地学习一个模型，其对新增样本能高效更新分类器，对动态环境具有较强自适应性，对大规模数据具有很好的扩展性。因此，在线分类技术的研究对极化SAR的实际应用非常重要。