[发明专利]顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备

说明书

本发明公开了一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备，其方法为：选取带标签和不带标签的极化SAR数据计算生成协方差矩阵，分别作为源域和目标域数据集；使用源域样本初始化源域及目标域的聚类中心；将源域和目标域数据输入至各自对应的复卷积神经网络，得到重构特征；通过计算重构特征与聚类中心的距离，为目标域样本确定伪标签，并更新目标域的聚类中心；重复聚类迭代，直到聚类迭代收敛或达到聚类最大迭代次数；通过最小化目标函数，迭代更新两个复卷积神经网络的参数，直到网络参数收敛，此时目标域数据集各样本类别即为最终地物类别。本发明可高效对极化SAR数据进行地物分类。

技术领域

本发明属于遥感图像处理技术领域，尤其涉及一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备。

背景技术

现针对极化SAR数据与神经网络相结合的研究并不深入。而极化SAR较为独特成像特点，有着丰富的地物结构信息。但现有的极化SAR数据的处理方式与光学数据的处理方式雷同，无法完全的发挥极化SAR数据特点。且现有的极化SAR样本较少且制作较为困难，故很难利用大样本训练网络模型。在最近几年里，一些学者提出了一种复数网络，同时提取了极化SAR数据的相位极化信息。虽然在极化SAR数据的应用结果上没有很大提升，但极化SAR自身数据特点已开始与深度学习相结合，以期建模出更符合极化SAR数据特点的网络。

发明内容

本发明公开了一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备，在提取极化SAR数据的特征方面有着较好的效果，且能高效地进行地物聚类。

为实现上述技术目的，本发明采用如下技术方案：

一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法，包括：

步骤1，选取带有样本标签的极化SAR数据计算生成协方差矩阵C₃，作为源域数据集标签为c的第i个样本且源域数据集的样本标签包括Num类， c＝1，2，…，Num；将没有样本标签的极化SAR数据计算生成协方差矩阵C₃，作为目标域数据集中的第j个样本

步骤2，计算源域数据集各类标签c的聚类中心作为源域数据集初始的聚类中心使用源域数据集的聚类中心初始化目标域数据集的聚类中心为

步骤3，使用源域数据集和目标域数据集分别输入至各自对应的复卷积神经网络；源域对应的复卷积神经网络输出端设置的softmax分类器，输出源域数据集的样本分类结果；目标域对应的复卷积神经网络，输出与目标域数据集中的样本对应的重构特征，所有样本的重构特征构成重构特征集；

步骤4，对目标域数据集中每个样本：均计算其对应重构特征与每个聚类中心之间的Wishart距离，通过选取其中最小距离对应的聚类中心，确定该样本的类别；记确定类别c的重构特征为

步骤5，针对目标域数据集中每种类别，均根据目标域数据集中该种类别所有样本对应的重构特征，计算并更新目标域数据集该种类别的聚类中心；

步骤6，重复步骤4、5进行聚类迭代，直到聚类迭代收敛或达到聚类最大迭代次数；

步骤7，通过最小化目标函数，更新源域复卷积神经网络和目标域复卷积神经网络的参数；

步骤8，返回执行步骤3，直到源域和目标域对应的复卷积神经网络的参数收敛，此时目标域数据集各样本的类别即为最终地物分类类别。

在更优的技术方案中，步骤7所述的目标函数为：

f＝loss^crossentropy+βD^CWD