[发明专利]基于自监督表征学习的极化SAR影像地物分类方法

说明书

本发明提出一种基于自监督表征学习的极化SAR影像地物分类方法，主要解决现有极化SAR深度卷积网络分类所需标签数多、鲁棒性差的问题。其方案是：对极化SAR原始数据进行极化相干矩阵模态表征提取和Pauli色彩模态表征提取；设计自监督表征学习损失函数及网络框架，并在不使用标签数据的情况下对该框架进行训练；将训练好的网络框架权重值迁移到深度卷积分类网络模型中；使用少量有标签样本对该深度卷积分类网络进行微调训练，得到训练好的分类器；将测试数据输入到训练好的分类器，得到最终的分类结果。本发明减少了对标签数据量的需求，提高了极化SAR深度卷积网络的分类精度和鲁棒性，可用于指导农业和海洋监测。

技术领域

本发明属于图像处理技术领域，特别涉及一种极化SAR影像地物分类方法，可用指导农业和海洋监测。

背景技术

极化SAR图像地物分类任务是将获取的极化SAR图像的每一个像素点划分为不同的地形类别。在城市规划、海洋监测、地质勘探以及农作物生长状况评估等领域，得到了广泛的应用并且有着广阔的前景。

目前，极化SAR地物分类技术可以分为三个方向：第一种是基于极化散射机制来对极化SAR数据分类。大多数的此种分类方法都是基于Pauli分解、Freeman分解以及H/α分解这些极化目标分解理论对极化目标进行分解，从而提取具有相关物理意义的极化散射特征，这些特征可以很好的对极化SAR地物进行分类。第二类方法是基于极化相干矩阵的数学统计特性而提出的。研究表明，极化SAR数据的极化相干矩阵服从复Wishart分布，其通过计算数据之间的Wishart距离，可以完成对极化SAR数据的分类。第三类方法是利用机器学习的方法来对高维极化SAR数据进行特征提取，从而实现对极化SAR数据地物分类。

所述机器学习相关方法在自然图像处理领域取得了令人瞩目的成就，且在迁移到极化SAR数据处理任务中，同样也展示了优越性。使用支持向量机SVM和主成分分析PCA等方法结合极化SAR目标的散射特性，对高维极化SAR数据进行特征提取，极大地提高了极化SAR数据的分类精度。随着深度神经网络的发展，SiZhe Chen,Haipeng Wang,Feng Xu,Ya-QiuJin，在其发表的论文“Polarimetric SAR Image Classification Using DeepConvolutional Neural Networks”中提出了基于深度卷积网络的极化SAR目标分类方法。该方法可以自动提取极化SAR数据中的高级特征语义表示，显著的提高了极化SAR数据的地物分类精度。

尽管基于深度卷积网络的极化SAR地物分类方法取得了优异的成绩。然而，训练基于深度卷积网络的分类器需要大量的标签数据参与。当标签数据有限时，训练出的分类器分类精度不高、鲁棒性差。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于自监督表示学习模型的极化SAR地物分类方法，以在标签数据有限情况下，提高极化SAR地物分类的准确率和鲁棒性。

本发明的技术思路是：通过设计合理的辅助任务和网络模型提取极化SAR数据的两种模态表示之间的互信息。通过该互信息为深度卷积网络分类器提供极化SAR数据的先验知识，在先验知识的帮助下，使用有限的标签数据对网络进行训练，得到准确率高的分类器。

根据上述思路，本发明的步骤如下：

(1)通过不同卫星获取极化SAR影像数据，从影像数据中选取一个图像子块作为数据集S，从该数据集中，随机选取5％的无标签像素点数据作为自监督表征学习的训练集S₁，随机选取1％的含标签信息像素点数据作为深度卷积网络分类器的训练集S₂，剩下99％的含标签信息数据用作测试集S₃；

(2)提取数据集S的相干矩阵T，并利用相干矩阵的元素构建9维向量特征表征，再对该特征表征周围进行宽度为7的“0”填充后，使用15×15大小的窗口对其进行滑动取窗裁剪，得到每个像素点以自身为中心，且大小为15×15×9的相干矩阵模态向量表征X；