[发明专利]一种基于迁移学习的极化SAR时间序列影像应急水体提取方法

权利要求书

1.一种基于迁移学习的极化SAR时间序列影像应急水体提取方法，其特征在于，包括如下步骤：

步骤1，利用Mean-Shift滤波算法对极化SAR时间序列影像中的每一景影像进行滤波处理，抑制相干斑噪声对水体提取的干扰；

步骤2，基于H/A/Alpha-Wishart聚类算法和类内Wishart距离最大化策略从每一景影像中选取出一组代表性样本集；

步骤3，基于代表性样本集进行时序影像可迁移性评价，基于评价结果自动从极化SAR时间序列影像中选取出最合适作为源域影像的一景影像，将剩余影像作为目标域影像；

步骤4，从源域影像的代表性样本集中提取出足够数量的样本，并进行人工标注，作为源域有标签样本集；

步骤5，分别对每一组目标域代表性样本集，基于源域有标签样本集和主动学习技术，提取出一组分类不确定性较高的样本子集，并进行人工标注，作为相应的目标域高信息量样本集；

步骤6，分别从每一景目标域影像的代表性样本集中随机提取出足够数量的样本，作为目标域无标签样本集；

步骤7，分别对每一个目标域无标签样本集，基于迁移学习技术，利用源域有标签样本集和对应的目标域高信息量样本集进行迁移学习，为目标域无标签样本集赋予类别标签信息，再将其与高信息量样本集合并，得到目标域有标签样本集；

步骤8，对每一景影像，利用该影像所有的有标签样本训练一个随机森林分类器，然后利用训练后的随机森林分类器对该影像进行分类，根据分类结果区分出水体和非水体两类地物，得到该影像的水体分布图，最后将所有影像的水体分布图组合在一起，得到影像对应地面区域的时间序列水体分布图。

2.如权利要求1所述的一种基于迁移学习的极化SAR时间序列影像应急水体提取方法，其特征在于：所述步骤2的具体实施方式为，首先分别对每一景影像进行H/A/Alpha极化分解，根据分解得到的H、A和Alpha的值将该影像的所有样本划分为16个类别，作为初始聚类结果；然后基于初始聚类结果，利用Wishart聚类算法对所有样本进行精确聚类，得到精确聚类结果；接着，假设精确聚类结果的聚类数量为N₁、代表性样本集的样本总数设置为N₂，则基于类内Wishart距离最大化策略从每个聚类中都选取出N₂/N₁个样本，构成该影像的代表性样本集。

3.如权利要求2所述的一种基于迁移学习的极化SAR时间序列影像应急水体提取方法，其特征在于：所述步骤2中的类内Wishart距离最大化策略的具体实施方式为，对于每一个聚类内的样本，假设每一个聚类中要提取出N个样本，以对称型Wishart距离公式作为距离度量，首先提取出3个样本：离聚类中心最近的一个样本、离聚类中心最远的一个样本，离提取的第一个样本最远的一个样本；然后迭代地提取剩余样本，每次迭代提取一个与已提取的样本距离最远之和最大的一个样本，直至提取出N个样本。这一策略能够保证提取的样本对该聚类内的所有样本具有足够的代表性。

4.如权利要求3所述的一种基于迁移学习的极化SAR时间序列影像应急水体提取方法，其特征在于：所述步骤3的具体实施方式为，对于所有的代表性样本集，首先基于最大均值差异(Maximum Mean Discrepancy，MMD)这一差异性度量指标，两两计算每两个代表性样本集之间的MMD；然后对每一个代表性样本集，统计它与其它代表性样本集之间的MMD之和，作为该样本集的可迁移性；接着基于统计结果，将MMD之和的值最小的代表性样本集对应影像作为源域影像，该影像即为全局可迁移性最佳的影像；最后将源域影像之外的其它影像作为目标域影像。

5.如权利要求4所述的一种基于迁移学习的极化SAR时间序列影像应急水体提取方法，其特征在于：所述步骤5的具体实施方式为，首先利用源域有标签样本集训练一个深度森林分类器，然后利用深度森林分类器分别对每一组目标域代表性样本集进行分类，基于分类结果计算每个样本的分类不确定性；假设要提取的目标域高信息量样本集的数量为N，则将每一组目标域代表性样本集中分类不确定性最高的N个样本提取出来，作为对应的目标域高信息量样本集；最后对目标域高信息量样本集进行人工标注，赋予其类别标签。