The invention provides a semi-supervised polarimetric SAR terrain classification method based on full convolution GAN, and realizes the steps as follows: fine Lee filtering; input polarimetric SAR data; construct generating network G; construct discriminant network D; train network and test and calculate classification accuracy; and the invention compares with the prior art based on semi-supervised CO training classification. The method improves the classification accuracy of polarimetric SAR data, solves the problem of insufficient utilization of polarimetric information and enhances the robustness of the model to input data, and achieves end-to-end classification effect. The invention can be applied to polarimetric SAR polarimetric data classification.
【技术实现步骤摘要】
基于全卷积GAN的半监督极化SAR地物分类方法
本专利技术属于图像处理
,更进一步涉及基于全卷积GAN的半监督极化SAR地物分类方法。
技术介绍
极化合成孔径雷达(极化SAR)利用不同极化方式交替发射与接收雷达信号,能够获得极为丰富的目标散射信息,已成为对地探测的重要工具,并且凭借其全天时、全天候的工作特性,已走在了遥感信息获取技术的前列,在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值,如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测,目标检测和海洋污染检测等。极化SAR的成功应用依赖于图像解译技术,随着获取的信息越来越多,如何快速而准确的解译这些信息,已成为目前研究的热点问题。目前的极化SAR分类方法主要有3种:无监督学习、监督学习和半监督学习。其中,无监督方法不需要标记样本,主要采用目标分解的方法根据不同地物的物理散射特性对目标进行分解。监督方法通常比无监督方法更容易取得较好的极化SAR分类效果,但是监督方法需要大量的标记样本,而实际中的有标记样本因需要专门的人员,特别的设备,额外的开销等原因而难以获取,数量比较少。近年来也有学者将半监督学习方法成功用于极化SAR图像分类半监督方法利用大量未标记样本,通过发现未标记样本中的隐含信息结合标记样本信息提高分类精度,弥补了监督学习和无监督学习的不足,已成为机器学习领域的研究热点。Long.J等人在其发表的论文“FullyConvolutionalNetworksforSemanticSegmentation”(IEEETransactionsonPat ...
【技术保护点】
1.基于全卷积GAN的半监督极化SAR地物分类方法,其特征在于,包括以下步骤:步骤1),对一幅原始的极化SAR图像进行精致Lee滤波,得到滤波后待分类的极化SAR图像;步骤2),将待分类的真实极化SAR图像和其所对应的标签图作为真样本;步骤3),构建生成网络G;步骤4),构建判别网络D;步骤5),训练生成对抗网络:(5a),将一个100维的随机噪声向量z输入生成网络G,生成网络G将该噪声向量z转化成假样本;(5b),将真实极化SAR图像的每类分别随机取若干个样本点,然后在该真实极化SAR图像所对应的标签图上选取与该样本点对应的真实标签y,作为有标签样本,用作有监督学习,最后,在该真实极化SAR图像上选取若干个无标记样本点,作为无标签样本,用作无监督学习;(5c),将假样本、有标签样本和无标签样本作为判别网络D的输入,采用轮流迭代的方式训练判别网络D和生成网络G;步骤6),测试并计算分类正确率:首先,将所有有标签样本点中除用作训练的样本点外,剩余的有标签样本点及其对应的真实标签y均输入到判别网络D中,得到每一个输入样本点对应的预测标签y';然后,将该预测标签y'与真实标签y比较,计算出分 ...
【技术特征摘要】
1.基于全卷积GAN的半监督极化SAR地物分类方法,其特征在于,包括以下步骤:步骤1),对一幅原始的极化SAR图像进行精致Lee滤波,得到滤波后待分类的极化SAR图像;步骤2),将待分类的真实极化SAR图像和其所对应的标签图作为真样本;步骤3),构建生成网络G;步骤4),构建判别网络D;步骤5),训练生成对抗网络:(5a),将一个100维的随机噪声向量z输入生成网络G,生成网络G将该噪声向量z转化成假样本;(5b),将真实极化SAR图像的每类分别随机取若干个样本点,然后在该真实极化SAR图像所对应的标签图上选取与该样本点对应的真实标签y,作为有标签样本,用作有监督学习,最后,在该真实极化SAR图像上选取若干个无标记样本点,作为无标签样本,用作无监督学习;(5c),将假样本、有标签样本和无标签样本作为判别网络D的输入,采用轮流迭代的方式训练判别网络D和生成网络G;步骤6),测试并计算分类正确率:首先,将所有有标签样本点中除用作训练的样本点外,剩余的有标签样本点及其对应的真实标签y均输入到判别网络D中,得到每一个输入样本点对应的预测标签y';然后,将该预测标签y'与真实标签y比较,计算出分类正确率。2.根据权利要求1所述的基于全卷积GAN的半监督极化SAR地物分类方法,其特征在于,步骤3)中,生成网络G为一个包含四个反卷积层的卷积神经网络,该网络的第一层为卷积核尺寸为2×2,卷积步长为1,卷积核个数为100的反卷积层;第二层为卷积核尺寸为4×4,卷积步长为2,卷积核个数为25的反卷积层;第三层为卷积核尺寸为4×4,卷积步长为2,卷积核个数为6的反卷积层;第四层为卷积核尺寸为6×6,步长为2,卷积核个数为9的反卷积层。3.根据权利要求1所述的基于全卷积GAN的半监督极化SAR地物分类方法,其特征在于,步骤4)中,判别网络D为一个包含三个卷积层和一个softmax层的卷积神经网络,该网络的第一层为卷积核尺寸3×3,卷积步长为1,卷积核个数为64的卷积层;第二层为卷积核尺寸为1×1,卷积步长为1,卷积核个数为64的卷积层;第三层为卷积核尺寸为1×1,卷积步长为1,卷积核个...
【专利技术属性】
技术研发人员:王爽,焦李成,胡月,刘梦晨,郭岩河,张丹,赵阳,孙莉,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。