[发明专利]一种基于模糊标签语义先验的小样本PolSAR图像分类方法

说明书

本发明公开了一种基于模糊标签语义先验的小样本PolSAR图像分类方法，准备待分类的PolSAR图像；然后得到实数化的极化特征作为网络的输入数据；获得记录训练样本位置的采样矩阵和记录相应位置处像素标签信息的采样标签矩阵；利用采样标签矩阵初始化分类搭建全卷积网络FCN；再将实数化的输入数据、采样矩阵、采样标签矩阵和分类矩阵送入搭建好的全卷积网络FCN中进行训练；利用FCN的预测结果、采样矩阵、采样标签矩阵和分类矩阵的当前状态更新分类矩阵；重复操作直至满足最大迭代次数；输出最后的分类矩阵；计算分类准确率和分类结果图完成图像分类。本发明对深度全卷积网络参数和标签类别变量进行交替迭代训练，解决了小样本问题下PolSAR分类精度不高的问题。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于模糊标签语义先验的小样本PolSAR图像分类方法，可用于PolSAR遥感影像的地物分类或目标识别。

背景技术

极化合成孔径雷达PolSAR是一种主动式对地观测系统，通过测量和记录不同极化状态的发射波和回波的间幅度和相位差信息，能够对目标进行全极化测量成像。相比于传统光学、红外等被动式成像系统，具有全天时、全天候的工作能力,不受烟雾、云雨、观测距离等条件的限制，并具有一定的穿透能力。因此，PolSAR系统广泛应用于灾害监测，海洋监测，农作物监测和军事目标检测等方面。

PolSAR图像分类是PolSAR图像解译的关键技术。PolSAR分类就是将PolSAR图像中的每一个像素划分到某些特定的类别。在过去的几十年中，人们提出了许多针对于PolSAR的算法。常见的方法有基于极化统计规律的无监督分类方法和基于SVM、Whisart等的监督分类方法。基于无监督学习的PolSAR分类算法虽然简单、快速，但是分类结果往往不太准确，一般只用于PolSAR图像的初级分析。而SVM、Wishart等基于像素点的分类方法，没有考虑到图像区域内像素与像素之间的联系。

深度学习在自然图像领域中取得压倒性优势后，深度学习也被引入到了遥感图像领域中。但是深度学习的高性能是以大量标注的样本为代价的。如果减少标注样本的数量，那么深度学习的分类准确率就会大大减小。但是由于PolSAR成像机理的复杂性，因此PolSAR图像并不像自然图像那么直观，往往需要专家进行标注任务，成本代价高。因此标注的PolSAR样本资源非常稀缺。如何利用少量标注的样准确地对PolSAR图像进行分类，已经成为PolSAR图像自动解译中的研究关键。

现有基于深度卷积网络、极化特征驱动的PolSAR图像分类方法，将目标散射机制和挖掘到的极化特征融合来帮助深度CNN分类器训练，从而实现改善分类性能的目的。相比与之前的深度学习方法，当训练样本比例为1％时分类准确率大体上令人满意,但是该方法本质上还只是一个简单的基于监督学习的CNN分类问题，并没有从根本上解决当训练的标注样本过少是如何对深度网络进行充分的训练。因此当图像中某一类目标的像素个数很小时，该类别的分类准确率并不高。另外，该方法对原始PolSAR数据进行极化特征提取，将提取的极化特征作为网络的输入而非原始数据，违背了现在的主流学习模式“端到端”的方式。

现有基于图的半监督PolSAR图像分类，将图像建模成一个无向图，在一个交替迭代过程中分别进行基于CNN的极化特征学习和基于图的标签传播子过程。该方法在进行基于图的标签传播子过程中使用的是CNN确定的标签类别，而非模糊的标签。但是PolSAR由于成像分辨率的限制，因此一个像元中包含很多类别的信息，使用确定的标签类别会丢失很多信息。另外，正如该论文中所指出，该方法的分类效果严重依赖于标签矩阵的初始状态，标签矩阵的不同初始状态会导致该方法的性能差异很大。最后一个问题，该方法更新标签矩阵Y的过程是基于图的标签传播是一个NP难问题，无法得到精确解，只能利用图切法或者置信传播法得到近似解。