一种PolSAR影像半监督分类方法技术

本发明专利技术公开了雷达遥感图像处理技术领域的一种PolSAR影像半监督分类方法，在少量训练样本的基础上，利用Wishart分类器、SVM分类器和CV‑CNN模型对图像进行分类，分类结果再进行多数投票，产生强数据集和弱数据集；将强数据集作为伪标签，用CV‑CNN模型对弱数据集进行重新分类，为了充分利用强数据集，利用强数据集产生的伪标签对弱数据集重新分类三次；通过多数投票的方式对三种分类结果进行整合，最后将强数据集与重分类结果相结合，得到最终分类结果，本方法采用多数投票的方法扩充CV‑CNN模型的训练样本，进一步提高分类性能，同时充分利用各分类器各自的优势，在训练样本数量较少的情况下，提高分类的总体精度，该方法相对于传统的监督分类方法具有显著优越性。

【技术实现步骤摘要】
一种PolSAR影像半监督分类方法
本专利技术涉及雷达遥感图像处理
，具体为一种PolSAR影像半监督分类方法。
技术介绍
合成孔径雷达(SAR)系统是一种主动微波成像系统，可以在白天和夜间以及各种天气条件下获得高分辨率图像。极化SAR(PolSAR)系统作为SAR的一种高级形式，可以在不同的极化模式下对观测到的地表覆盖类型进行表征，并具有较强的散射信息获取能力，因此得到了广泛的应用。近年来，基于深度学习的遥感影像分类技术在PolSAR影像分类领域得到了越来越广泛的应用。深度学习作为机器学习的一个子集，可以有效地处理大量数据，并具有很强的特征提取能力。在深度判别网络中，实数卷积神经网络(RV-CNN)模型是最受欢迎的模型之一。由于具有特殊的多维卷积运算，RV-CNN模型在图像数据分类中具有显著优势。然而，RV-CNN模型只使用了PolSAR图像的振幅信息，而忽略了相位信息。对于以协方差矩阵或相干矩阵表示的PolSAR数据，非对角线元素的相位对不同类型散射体的区分起着重要作用。深度学习技术在PolSAR影像解译中取得了巨大的本文档来自技高网...

【技术保护点】
1.一种PolSAR影像半监督分类方法，其特征在于，包括如下步骤：/nS1：在少量训练样本的基础上，利用Wishart分类器、SVM分类器和CV-CNN模型对样本进行分类，分类结果再进行多数投票，产生强数据集和弱数据集；/nS2：将强数据集作为伪标签，用CV-CNN模型对弱数据集进行重新分类，为了充分利用强数据集，利用强数据集产生的伪标签对弱数据集重新分类三次，通过多数投票的方式对三种分类结果进行整合；/nS3：最后将强数据集与重分类结果相结合，得到最终分类结果；/n所述CV-CNN模型由输入层、输出层、卷积层、池化层和全连接层组成，卷积层的作用是对滤波器进行卷积，提取出前一层神经元的不同特征...

【技术特征摘要】
1.一种PolSAR影像半监督分类方法，其特征在于，包括如下步骤：
S1：在少量训练样本的基础上，利用Wishart分类器、SVM分类器和CV-CNN模型对样本进行分类，分类结果再进行多数投票，产生强数据集和弱数据集；
S2：将强数据集作为伪标签，用CV-CNN模型对弱数据集进行重新分类，为了充分利用强数据集，利用强数据集产生的伪标签对弱数据集重新分类三次，通过多数投票的方式对三种分类结果进行整合；
S3：最后将强数据集与重分类结果相结合，得到最终分类结果；
所述CV-CNN模型由输入层、输出层、卷积层、池化层和全连接层组成，卷积层的作用是对滤波器进行卷积，提取出前一层神经元的不同特征，对于输入图像，每个滤波器都会检测到特定的区域特征，即每个特征图代表前一层不同区域的特定特征，卷积层的输出结果可以写成:






其中j为虚数单位、*表示卷积运算、A和分别为复数的实部和虚部；为第m层输出的第(l+1)个特征图，和分别表示前一层的输入特征映射和偏差；f(·)和为非线性激活函数和滤波器；
池化层通常在卷积层之后，既可以简化空间结构，又可以合并输入特征映射的相似特征，池化层可以看作是一种降采样层；
在全连接层中，每个神经元都与前一层的所有神经元相连，可以将其视为一个特殊的卷积层；全连接层输出可以表示为：






式中M为第l个全连接层神经元数量；
输出层实际上是一个用复数向量表示的分类器，它表示像素属于某类别的概率；然后，通过最小化损失函数，以监督分类的方式学习网络中的所有参数，损失函数可以写成:



式中T[n]表示第n个输出层。


2.根据权利要求1所述的一种PolSAR影像半监督分类方法，其特征在于：所述步骤S1中，如果Wishart分类器、SVM分类器和CV-CNN模型同时对某个像素的分类类别一致，就用投票后的类标签将该像素分类到强数据集；否则，它将被划分为不确定类标签的弱数据集。<...

【专利技术属性】
技术研发人员：马晓双，朱乐坤，吴海鹏，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34