[发明专利]一种基于特征mixup的半监督极化SAR地物分类方法

说明书

本发明公开了一种基于特征mixup的半监督极化SAR地物分类方法，准备数据集；制作数据集；数据预处理；设计半监督网络结构；双分支特征提取；特征mixup融合；多分支预测分类结果；网络训练；预测地物类别；评估网络性能。本发明有效克服了现有技术中对输入进行mixup和单分支预测所带来的问题，极大的提高了网络的性能，增强了网络的鲁棒性。可用于土地覆盖类型判别，也可以作为目标检测、地质勘探、植被种类判别的中间环节。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于特征mixup的半监督极化SAR地物分类方法。

背景技术

极化SAR图像分类作为极化SAR图像理解与解译的重要研究内容，近年来受到越来越多的研究者的关注。极化SAR图像分类就是根据极化特性等信息，将图像中相同或相似的像素点分为同一类，将不同特性的像素点分为不同的类。在本文中我们提出了一种半监督网络模型结构用于极化SAR地物分类，在公开的数据集上取得了先进的性能。

随着深度学习的发展，深度学习的应用越来越广泛，其不仅广泛应用在自然可见光领域，很多研究员在遥感领域也尝试使用深度学习方法，通过使用深度学习算法，在极化SAR分类任务中和传统的方法相比取得很不错的成果。

现有方法训练时间过长，因为这样的网络模型的训练过程是逐层进行训练，效率比较低，如果网络层数比较多，时间复杂度更高。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于特征mixup的半监督极化SAR地物分类方法，可以直接用于土地覆盖类型判别，也可以作为目标检测、地质勘探、植被种类判别的中间环节，在公开的数据集上取得了先进的性能，有效提高极化SAR地物分类精度。

本发明采用以下技术方案：

一种基于特征mixup的半监督极化SAR地物分类方法，包括以下步骤：

S1、使用FlevolandI数据集、San Francisco数据集和FlevolandII数据集，每个数据集上，每个类别随机选择10个有标记的样本和若干无标记样本作为训练集，其他样本作为测试集；

S2、选取像素点周围大小为5×5的图像块作为一个样本，图像块的类别和中心像素点的类别一致，制作数据集；

S3、将极化SAR数据进行lee滤波，完成数据预处理；

S4、建立半监督网络结构，半监督网络结构的第一部分负责提取输入图像的初级特征；第二部分将mixup操作融合后的初级特征映射为抽象的高级特征；第三部分是分类器；

S5、利用两个分支提取不同类别图像的特征，两个分支权重共享；

S6、对步骤S5中提取到的初级特征进行mixup操作；

S7、对步骤S6中得到的混合特征进一步抽象之后，将其送入多分支预测模块，得到最终的预测类别；

S8、基于步骤S7获得的预测类别，计算交叉熵损失和一致性损失，利用两个损失联合优化整个网络；

S9、将步骤S8训练得到的权重载入网络，得到每一个测试样本的中心像素点所属地物类别，完成分类。

具体的，步骤S2中，每个数据集中每个类别选取10个有标记数据以及无标记数据作为训练集，其中，FlevolandI数据集每个类选取2000个无标记样本，每个类选择3000个有标记样本进行测试；San Francisco数据集每个类选取10000个无标记样本，每个类选择10000个有标记样本进行测试；FlevolandII数据集每个类选取5000个无标记样本，每个类选择15000个样本进行测试。