[发明专利]一种基于强化学习的极化SAR影像分类方法

说明书

本发明涉及一种基于强化学习的极化SAR影像分类方法。首先对极化SAR影像进行辐射定标、滤波处理，接着对其进行极化分解得到极化特征参数，并对极化特征参数进行归一化处理，构建极化‑空间联合样本集，然后采用强化学习的开发‑利用学习机制训练FCN模型，在提升样本空间上下文信息和极化特征信息利用效率的同时，通过对样本的学习探索，生成大量的经验数据来训练模型，以达到减少样本量和提升分类精度的双重目的，最后用训练好的FCN模型对极化SAR影像进行分类。与现有需要大量数据驱动的CNN网络模型不同，本发明经过强化学习的经验生成和利用，在不超过2％的标注样本需求下即可获取很高的分类精度，满足极化SAR影像在小样本下高精度分类需求。

技术领域

本发明属于极化SAR影像分类领域，特别是涉及一种基于强化学习的极化SAR影像分类方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)采用主动微波遥感手段，基于电磁波的相干测量获取对地观测成像数据，是对地观测遥感技术的重要组成部分。相比于可见光遥感技术而言，SAR不受光照、天气条件的影响，尤其是在云雾等恶劣天气条件下具有全天时、全天候观测能力，在军用及民用领域都发挥着重要作用。全极化SAR系统采用多种天线组合获取目标信息，能获取更全面的地物目标描述信息，在目标地物物理属性描述和散射机理分析研究中都具有很强的应用能力。极化SAR影像分类是极化SAR数据解译和应用的重要前提，自动、高效、精准的分类方法不仅影响了后续应用的可靠性，也决定了极化SAR数据的应用领域和范围。

近年来，随着计算机技术的发展，基于深度学习的极化SAR影像分类方法取得了广泛的关注。然而，这些精准的分类结果大多依赖大量的参考标签信息来揭示不同目标的数据特征，如何在小样本下获取高精度的分类结果依然是一项挑战。不同于普通的监督学习机制，强化学习对样本依赖较小，强调从自身试错中获取经验并优化模型策略，在小样本下的极化SAR影像解译和分类研究中具有优势。基于此，本发明提出一种基于强化学习的极化SAR影像分类方法，在少量标注信息的情况下，提高计划SAR影像分类的精度和效率。

极化SAR影像分类是将影像中的像素分配为对应的类别，现有的极化SAR影像分类方法主要可分为三类：基于统计模型的分类方法，基于散射机理的分类方法和基于机器学习的分类方法。前两者主要基于极化SAR影像本身的数据分布特性，将地物简单分为几个类别，精度较低。基于机器学习的方法联合了极化SAR数据的数据统计特性和散射特征信息，凭借强大的非线性拟合模型，从样本中挖掘有助于分类的信息，可获得精度较高的分类结果。然而，传统的机器学习方法的性能对数据特征表达的区分度有较高要求，且处理流程较分散，不是端到端的方法，工程化程度较低，不利于极化SAR分类应用的进一步提升。

随着计算机硬件技术的发展，基于深度卷积神经网络的方法在计算机视觉领域取得了飞跃式地发展，其中经典的算法如DBN、CNN、RNN、FCN在极化SAR影像解译领域中展现出优异的性能和巨大的潜力。但是这些深度方法往往需要大量的先验标注信息来训练模型，模型性能的好坏与学习样本的数量与质量紧密相关。而SAR数据不同于光学数据，样本的高精度标注，需要丰富的专业领域知识，需要大量的人力物力以及时间消耗来保证模型精度，不利于极化SAR影像的快速分类识别。

本研究从模型学习测量入手，采用面向任务的强化学习策略，从少量的样本中自主探索，生成大量的经验数据对模型进行优化，从而达到减少样本需求和提高极化SAR影像分类精度的目标。具体来说，在特征学习方法方面，采用全连接卷积神经网络(FullyConvolutional Neural network，FCN)自动学习极化SAR数据的空间特征和极化散射特征；在模型训练方面，采用强化学习的试错学习机制，首先从样本学习中生成经验数据，然后基于经验数据而非样本数据对模型进行优化，进而增加标签利用效率，在小样本情况下提升分类模型的精度和效率。

发明内容