基于全卷积GAN的半监督极化SAR地物分类方法技术

本发明专利技术提供的基于全卷积GAN的半监督极化SAR地物分类方法，实现步骤为：精致Lee滤波；输入极化SAR数据；构建生成网络G；构建判别网络D；训练网络和测试并计算分类正确率；本发明专利技术相比现有技术的基于半监督的Co‑training分类方法，提高了极化合成孔径雷达极化SAR数据的分类精度，解决了极化信息利用不充分的问题并增强了模型对输入数据的鲁棒性，能够做到端到端的分类效果。本发明专利技术可应用于极化合成孔径雷达极化SAR数据地物分类。

Semi supervised polarimetric SAR feature classification method based on full convolution GAN

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”(IEEETransactionsonPatternAnalysis&MachineIntelligence,39(4):640,2017)中提出了一种端到端的全卷积结构的网络，将传统CNN的全连接层转化成一个个的卷积层，与传统用CNN进行图像分割的方法相比有两大明显的优点：一是可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。二是更加高效，避免了由于使用像素块而带来的重复存储和计算卷积的问题。同时FCN的缺点也比较明显：一是其上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。二是对各个像素进行分类，没有充分考虑像素与像素之间的关系。忽略了在通常的基于像素分类的分割方法中使用的空间规整(spatialregularization)步骤，缺乏空间一致性。特别是训练该网络需要大量的全标记样本，由于极化SAR数据只有少量像素点是带标记的，因此不能直接应用到极化SAR图像的分类任务上。Hua.W等人在其发表的论文“Semi-supervisedPolSARImageClassificationBasedonImprovedCo-training”(IEEEJournalofSelectedTopicsinAppliedEarthObservations&RemoteSensing,pp.99:1-16,2017)中提出了一种基于改进的协同训练过程的半监督分类方法，可以同时利用少量标记数据和未标记的数据来提高分类的性能，但是该方法虽然堆叠了多种目标分解方法来构造高维特征，却引入了很多冗余信息，导致分类结果仍然不够精确。西安电子科技大学在其申请的专利文献“基于全卷积神经网络的极化SAR地物分类方法”(专利申请号：201710369376.3，申请日：2017.05.23，申请公布号：CN107239797A)中提出了基于全卷积神经网络的极化SAR地物分类方法，对待分类极化散射矩阵S进行Pauli分解，得到奇次散射系数、偶次散射系数和体散射系数，将奇次散射系数、偶次散射系数和体散射系数作为极化SAR图像的三维图像特征F；再将得到的三维图像特征矩阵F转化成RGB图F1；再在RGB图F1上随机选取m×n的像素块作为训练样本，整张RGB图F1作为测试样本；再构造全卷积神经网络模型；再通过全卷积神经网络训练训练样本，得到训练好的模型；再通过训练好的模型对测试集进行分类，得到分类结果。该方法存在的不足之处是采用像素点周围的图像块作为训练样本，相邻的图像块基本上是重复的，存储开销很大，且针对每个像素块逐个进行的卷积计算也是重复的。另外，像素块的大小限制了感知区域的大小，只能提取一些局部的特征，从而导致分类的性能受到限制。
技术实现思路
本专利技术的目的在于提供基于全卷积GAN的半监督极化SAR地物分类方法，解决了目前的极化SAR分类方法的分类结果不够精确的缺陷。为了达到上述目的，本专利技术采用的技术方案是：本专利技术提供的基于全卷积GAN的半监督极化SAR地物分类方法，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)，将真实待分类的极化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。优选地，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。优选地，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，卷积核个数为64的卷积层；第四层为softmax层。优选地，步骤5)的(5c)中，在训练判别网络D时，若输入样本是来自于生成网络G，则按照使以下公式最大化来优化：其中，表示数学期望，x表示输入判别网络的数据样本点，G表示生成网络，log表示对数操作，pmodel表示网络学习到的伪概率分布；y'表示判别网络D对一个输入样本点给出的预测标签，K表示待分类的极化SAR数据的类别数。优选地，步骤5)的(5c)中，在训练判别网络D时，若输入样本为有标签的样本，按照最小化以下公式来更新判别网络D的参数：其中，表示有标签样本点的损失函数，表示数学期望，x表示输入判别网络的数据样本点，y表示本文档来自技高网...

【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，计算出分类正确率。...

【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