基于集成学习的极化SAR图像半监督分类方法技术

本发明专利技术公开了一种基于集成学习的极化SAR图像半监督分类方法，其实现步骤为：(1)输入一幅极化SAR图像；(2)提取极化SAR图像的散射特征，偏振参数和纹理特征；(3)利用Knn算法计算样本的抗噪因子；(4)根据样本的权重，抽取训练样本；(5)训练得到分类器，并计算错误率；(6)根据错误率调整样本的权重；(7)根据Wishart距离，选择置信度高的未标记样本，加入到训练集，并赋权重；(8)判断是否满足停止条件，满足则结束并输出分类结果，否则转到(4)；本发明专利技术组合偏振参数，散射特征和纹理特征，能够更全面地描述地物真实情况，并利用部分未标记样本，丰富了原始训练样本，获得了较好的分类精度。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于集成学习的极化SAR图像半监督分类方法，其实现步骤为：(1)输入一幅极化SAR图像；(2)提取极化SAR图像的散射特征，偏振参数和纹理特征；(3)利用Knn算法计算样本的抗噪因子；(4)根据样本的权重，抽取训练样本；(5)训练得到分类器，并计算错误率；(6)根据错误率调整样本的权重；(7)根据Wishart距离，选择置信度高的未标记样本，加入到训练集，并赋权重；(8)判断是否满足停止条件，满足则结束并输出分类结果，否则转到(4)；本专利技术组合偏振参数，散射特征和纹理特征，能够更全面地描述地物真实情况，并利用部分未标记样本，丰富了原始训练样本，获得了较好的分类精度。【专利说明】基于集成学习的极化SAR图像半监督分类方法
本专利技术属于图像处理
，具体设及一种基于集成学习的极化SAR图像半监 督分类方法。
技术介绍
极化SAR (合成孔径雷达）因其巨大的优势，不管是在民用或者是军用事业都得到 了广泛的应用，例如目标检测，地物分类，参数反演等等。其中，地物分类方面的应用是极化 SAR众多应用中非常重要的一个。 极化SAR图像分类方法大致包括两大步骤，即特征的选取和分类器的确定。如何 获取有价值的特征和好的分类策略是极化SAR图像分类问题的重点。特征方面，常用的有 偏振参数，散射矩阵和纹理特征。Cloude于1997年提出了著名的H/a分类方法，即由散射 矩阵分解得到散射滴H和散射角a,根据该两个值可W把一幅极化SAR图像分为8类。之 后，基于不同分解的极化SAR图像分类方法纷纷出现。由于实际地物具有复杂的种类结构， 因此由某一种分解表征地物的特性是不全面的。 一般情况下，极化SAR图像的标签都是通过人工标记获取的，因此，很容易由于人 为因素引入错误，而该些错误标签对于分类器而言，其影响是致命的。而一般的极化SAR分 类方法中，极少考虑了该部分问题，实际上该些由于人为因素引入的错误标签，对分类器的 影响是不可W忽略的。 极化SAR通过对目标进行全极化测量，而获取丰富全面的目标信息，使得极化SAR 在分类问题中优势非常明显。目前，不管是机载极化SAR还是星载极化SAR数据在网络上 都可W非常方便的获取到，而且极化SAR数据也已经非常丰富。但是极化SAR图像的自动 解译方法的发展没有想象中的那么迅速。如何对海量级别的极化SAR数据分析，成为今后 遥感图像处理的一个重要研究点。 极化SAR图像的分类大致分为无监督和有监督两大类。对于极化SAR图像的有 监督分类中，最常用的是基于极化数据的统计分布而进行的。例如基于协方差矩阵的复 Wishart分布，基于极化测量矢量的多元复高斯分布等等。而有监督分类必须知道一定数量 的有标记样本，而对于极化SAR数据而言，人工标记训练样本的该个过程，通常要花费大量 的人力和时间，而且通过人工标记不能保证训练样本的正确性，也不能根据有限的训练样 本，就能够估计出整个样本的分布。
技术实现思路
本专利技术的目的在于针对已有技术的不足，提出一种基于集成学习的极化SAR图 像半监督分类方法，一方面通过K近邻（Knn)算法抑制了标签噪声的影响，另一方面通过 Wishart距离添加一部分未标记样本帮助分类，提高了分类精度。 [000引为实现上述目的，本专利技术包括如下步骤： (1)提取一幅极化SAR图像的特征，特征包括偏振参数F1、散射特征巧和纹理特 征F3 ; (la)基于S矩阵，提取极化SAR图像的偏振参数FI ; Qb)基于极化散射分解，提取极化SAR图像的散射特征巧； (Ic)基于灰度共生矩阵，提取极化SAR图像的纹理特征F3; [001引 似从极化SAR图像的已标记样本中选择1%比率的样本作为训练样本，初始化训 练样本的权重{W。}; (3)用K近邻化nearest nei曲borhoods)算法计算每个训练样本的抗噪因子 C。，n = 1，. . .，N ; (3a)对极化SAR图像中每一个有标记的样本点，计算该样本点和该样本点的八个 近邻像素点的欧氏距离； (3b)选择该样本点的k个最近的近邻，计算该k个近邻与该样本点属于同一类别 的比率，即抗噪因子，k值取3; (4)进入迭代过程，并记录当前迭代次数t，初始t = 1，用弱分类器B训练此轮的 训练数据，得到基分类器、； 妨计算ht的错误率 【权利要求】1. 一种基于集成学习的极化SAR图像半监督分类方法，包括如下步骤： (1) 提取一幅极化SAR图像的特征，特征包括偏振参数Fl、散射特征F2和纹理特征F3 ; (la) 基于S矩阵，提取极化SAR图像的偏振参数Fl; (lb) 基于极化散射分解，提取极化SAR图像的散射特征F2 ; (lc) 基于灰度共生矩阵，提取极化SAR图像的纹理特征F3 ; (2) 从极化SAR图像的已标记样本中选择1 %比率的样本作为训练样本，训练样本的个 数为N，初始化所述训练样本的样本权重{WJ，初始值都设置为1/N; (3) 用K近邻（Knearestneighborhoods)算法计算每个训练样本的抗噪因子Cn,n= 1， ? ? ? ，N; (3a)对步骤（2)中的每个训练样本，计算该样本和该样本的八个近邻像素点的欧氏距 离； (3b)选择该样本的八个近邻像素点与该样本的欧式距离最小的k个像素点，计算这k个近邻像素点与该样本属于同一类别的比率，即抗噪因子，k值取3 ; (4) 根据步骤（1)提取的所述训练样本的极化SAR图像的特征，用弱分类器B对训练样 本进行训练，得到基分类器ht，并记录当前次数t，初始t= 1 ;其中，<是第t轮迭代中第i个样本的权重，ht(Xi)是第i个样本被预测的类别，5^是 第i个样本的真实类别，N是样本个数；其中，In是对数函数，et是错误率，Ct是抗噪因子； (7) 根据步骤（3)计算得到的训练样本的抗噪因子，更新步骤⑵中所述的训练样本的其中，<+1是第t+1轮迭代中第i个样本的权重，at是基分类器ht的权重，Ct是抗噪 因子，Zt是归一化因子，WJIlJ是第一次第n个样本的样本权重Fh1的简写； (8) 用（4)中训练得到的基分类器ht对极化SAR图像的未标记样本集U预测，分别计 算被预测为第m类的样本到第m类聚类中心的距离，取距离最近的两个样本加入有标记样 本，并给这两个样本赋权重：其中，彳是未标记样本集中的第i个样本，4是已标记样本中第j个样本，m为任意类 别标记； (9) 重复步骤（4)?（8)，若达到设置的最大迭代次数或当错误率大于0.5则结束并跳 转到步骤（10)，否则返回步骤（4)继续； (10) 将⑷?⑶步骤中产生的基分类器进行组合，得到组合分类器：其中，at是第t轮迭代的分类器的权重，ht(x)是基分类器ht对样本X的预测结果，sign是符号函数； (11) 利用步骤（10)中的组合分类器给极化SAR图像预测分类，输出极化SAR图像的分 类结果。2. 根据权利要求1所述的基于集成学习的极化SAR图像半监督分类方法，其特征在于， 步骤（Ia)所述的提取偏振参数Fl，包括如本文档来自技高网...

【技术保护点】
一种基于集成学习的极化SAR图像半监督分类方法，包括如下步骤：(1)提取一幅极化SAR图像的特征，特征包括偏振参数F1、散射特征F2和纹理特征F3；(1a)基于S矩阵，提取极化SAR图像的偏振参数F1；(1b)基于极化散射分解，提取极化SAR图像的散射特征F2；(1c)基于灰度共生矩阵，提取极化SAR图像的纹理特征F3；(2)从极化SAR图像的已标记样本中选择1％比率的样本作为训练样本，训练样本的个数为N，初始化所述训练样本的样本权重{Wn}，初始值都设置为1/N；(3)用K近邻(K nearest neighborhoods)算法计算每个训练样本的抗噪因子Cn,n＝1,...,N；(3a)对步骤(2)中的每个训练样本，计算该样本和该样本的八个近邻像素点的欧氏距离；(3b)选择该样本的八个近邻像素点与该样本的欧式距离最小的k个像素点，计算这k个近邻像素点与该样本属于同一类别的比率，即抗噪因子，k值取3；(4)根据步骤(1)提取的所述训练样本的极化SAR图像的特征，用弱分类器B对训练样本进行训练，得到基分类器ht，并记录当前次数t，初始t＝1；(5)计算步骤(4)中训练得到的基分类器ht的错误率其中，是第t轮迭代中第i个样本的权重，ht(xi)是第i个样本被预测的类别，yi是第i个样本的真实类别，N是样本个数；(6)计算步骤(4)中训练得到的基分类器ht的权重其中，ln是对数函数，εt是错误率，Ct是抗噪因子；(7)根据步骤(3)计算得到的训练样本的抗噪因子，更新步骤(2)中所述的训练样本的样本权重Wit+1=Wit*e-αtZtif(ht(xi)=yi)Wit*eαt+CtZtif(ht(xi)≠yi)]]>其中，是第t+1轮迭代中第i个样本的权重，αt是基分类器ht的权重，Ct是抗噪因子，Zt是归一化因子，Wn则是第一次第n个样本的样本权重的简写；(8)用(4)中训练得到的基分类器ht对极化SAR图像的未标记样本集U预测，分别计算被预测为第m类的样本到第m类聚类中心的距离，取距离最近的两个样本加入有标记样本，并给这两个样本赋权重：Wit+1(xiu)=1NlZtΣj=1NWt+1(xjl)]]>其中，是未标记样本集中的第i个样本，是已标记样本中第j个样本，m为任意类别标记；(9)重复步骤(4)～(8)，若达到设置的最大迭代次数或当错误率大于0.5则结束并跳转到步骤(10)，否则返回步骤(4)继续；(10)将(4)～(8)步骤中产生的基分类器进行组合，得到组合分类器：H(x)=sign(Σt=1Tαtht(x))]]>其中，αt是第t轮迭代的分类器的权重，ht(x)是基分类器ht对样本x的预测结果，sign是符号函数；(11)利用步骤(10)中的组合分类器给极化SAR图像预测分类，输出极化SAR图像的分类结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：王爽，焦李成，陈国栋，刘闯，张涛，刘红英，熊涛，马文萍，
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