[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

说明书

本发明属于涉及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，包括以下步骤：对极化SAR时序影像进行滤波处理；然后提取出影像的代表性样本；进行时序影像可迁移性评价，划分源域影像和目标域影像；然后选取源域有标签样本、目标域高信息量样本和目标域无标签样本；利用迁移学习对目标域无标签样本进行标注，并与高信息量样本合并，得到有标签样本集；基于有标签样本集训练随机森林分类器，对影像分类得到水体分布图，最后将所有影像的水体分布图进行组合，得到时序水体分布图。本发明不仅可以获取地表的水体时空分布信息，还能显著减少所需人力和时间成本，可以用于洪涝灾害的应急响应。

技术领域

本发明涉及遥感影像处理技术领域，特别是涉及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。

背景技术

水是人类赖以生存的重要资源，对人类的生存和发展有着重要影响，基于遥感技术的水体提取能够从宏观到微观上全方位地监测水体的分布与变化，在城镇规划、工农业生产、水资源治理与保护和洪涝灾害防治等方面已经发挥了重要作用。

极化SAR时间序列影像具有覆盖范围广、信息量大、无天气与时间限制等特点，可以持续稳定地对地表水体进行监测，在灾害应急响应中具有不可替代的作用。然而，要获取每一景影像上的水体分布图，目前精度较高的处理方法需要首先在每一景影像上都人工标注大量的训练样本，然后再对每一景影像单独进行水体提取，未能共享影像间的知识以提高水体提取的效率。因此，现有的极化SAR时间序列影像水体提取流程需要付出大量人力成本和时间成本进行训练样本标注，在洪涝灾害应急响应中难以满足处理时效的要求。

发明内容

迁移学习技术可以在不同影像之间迁移知识，能够有效地提高已有数据的再利用率、节省构建判别模型所需的资源和人力成本，在极化SAR时间序列影像的水体提取方面具有很好的应用前景。本发明充分考虑了极化SAR影像的特性，基于迁移学习技术，针对极化SAR时间序列影像的水体提取，通过把极化SAR影像相干斑滤波、Wishart距离度量、主动学习、迁移学习和机器学习分类等技术有机结合起来，研究关键技术、处理流程和应用模式的创新，通过共享影像间的知识实现对极化SAR时间序列影像的高效水体提取，满足洪涝灾害应急响应的需求。

本发明的技术方案为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，包括以下步骤：

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。