当前位置: 首页 > 专利查询>武汉大学专利>正文

面向单视全极化SAR数据的集成迁移学习分类方法及系统技术方案

技术编号:29929009 阅读:30 留言:0更新日期:2021-09-04 18:53
本发明专利技术提供一种面向单视全极化SAR数据的集成迁移学习分类方法,采用全图分割和局部开窗分割,利用图像空间上下文信息浓缩源域有标签样本量和扩充目标域有标签样本量;然后结合散射矢量相似性系数和适应度函数设置源域有标签样本选取过程,根据目标域类别中心调整训练评判器模型所用源域样本分布;引入对弱分类器可靠性的参考信息作为权重因子,采用加权形式利用迁移弱分类器进行类别软预测,给予预测结果一致的目标域无标签像元伪标签,以扩充目标域有标签样本量并训练新弱分类器;通过迭代利用生成的迁移弱分类器集合完成目标域所有像元的集成分类。本发明专利技术能够显著降低雷达图像分类任务对目标域标签信息的高度依赖,提高分类效率和自动化水平。类效率和自动化水平。类效率和自动化水平。

【技术实现步骤摘要】
面向单视全极化SAR数据的集成迁移学习分类方法及系统


[0001]本专利技术属于全极化雷达遥感图像处理
,设计一种基于全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar,POLSAR)单视数据进行地物集成分类的迁移学习新方法及系统。

技术介绍

[0002]遥感技术可以不与目标直接接触而进行远距离观测,是获取区域性地表信息的理想方式。遥感图像监督分类是利用有类别标签的像元样本建立识别模型,从而推断图像中其他像元所属类别的过程,其在土地利用管理、土地覆盖变化等方面有着巨大的应用潜力,能够为了解和规划土地用途、评估自然灾害影响、组织灾区救援与重建等工作提供重要支撑。在各类遥感传感器中,合成孔径雷达(Synthetic Aperture Radar,SAR)以其全天时、全天候的成像优势,成为了整个遥感观测体系中不可或缺的一部分。随着近年来雷达遥感卫星的频繁发射,海量雷达图像为雷达遥感图像处理技术的发展与应用提供了肥沃的土壤,同时也对雷达图像处理的自动化水平提出了严峻挑战。目前,雷达图像的产出速度与雷达图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向单视全极化SAR数据的集成迁移学习分类方法,其特征在于:采用全图分割和局部开窗分割的方式,利用图像空间上下文信息浓缩源域有标签样本量和扩充目标域有标签样本量;然后结合散射矢量相似性系数和适应度函数设置源域有标签样本选取过程,根据目标域类别中心动态调整训练评判器模型所用的源域样本分布;随后引入对弱分类器可靠性的参考信息作为权重因子,采用加权形式利用迁移弱分类器进行类别软预测,给予预测结果一致的目标域无标签像元伪标签,以此扩充目标域有标签样本量并训练新的弱分类器;通过迭代运行,最终利用生成的迁移弱分类器集合完成目标域所有像元的集成分类。2.根据权利要求1所述面向单视全极化SAR数据的集成迁移学习分类方法,其特征在于:实现过程包括以下步骤:步骤1,将整景历史存档图像作为源域,对整景历史存档图像进行分割处理,得到源域全部像元的图斑对象索引值;步骤2,初始化源域有标签样本集合D
S
为空,然后遍历源域图斑对象索引值,若具有同一索引值的源域像元具有相同的类别标签c,则取这些像元的复散射矢量均值作为样本值,并以c作为标签,加入至集合D
S
;步骤3,将当前待分类的影像作为目标域,在当前待分类的影像中,以稀少的有标签样本为中心,分别开大小为N
win
×
N
win
的窗口,在各窗口中进行分割处理,得到窗口内像元的图斑对象索引值;其中,N
win
为预设的窗口尺寸值;步骤4,初始化目标域扩充样本集合C为空,然后在步骤3开的各窗口内,找到与窗口中心具有相同索引值的像元,分别取这些像元的复散射矢量作为样本值、中心像元的类别标签作为这些像元的标签,加入至集合C;步骤5,原始目标域有标签样本集合D
TL
仅含稀少的目标域标签样本,将集合C中样本全部加入D
TL
中,进行扩充更新;步骤6,根据D
TL
中样本散射矢量值和标签信息,得到目标域中各类别散射中心,计算D
S
中源域样本与目标域类别中心间的散射相似性系数r步骤7,计算D
S
中样本在目标域类别中的适应度,规范化后作为样本被选择的概率;随后,根据适应度大小从D
S
有放回地选取样本,构建源域样本子集,并与D
TL
融合形成融合子集;重复上述过程m次,生成m个融合子集D1,D2,

,D
m
,其中m为预设的次数;步骤8,逐个利用融合子集作为独立的训练数据集,训练分类模型作为评判器,构成包含m个评判器的模型集合H;步骤9,逐个利用H中每个评判器模型独立地对目标域无标签像元样本进行分类,即对每个被分类的像元样本均产生m个预测标签;步骤10,利用目标域有标签样本集D
TL
作为训练数据集,训练新的分类模型作为弱分类器;步骤11,将步骤10中完全基于目标域样本训练得到的弱分类器加入到迁移弱分类器集合F中,对其进行更新;步骤12,利用F中每个弱分类器对目标域无标签像元样本进行类别预测,独立地输出预测样本从属于各类别的概率或与各类别中心的距离;步骤13,遍历全部目标域无标签样本,比较利用H得到的m个预测标签与利用F得到的预测标签是否一致;取共计m+1个预测标签完全一致的样本构成目标域伪标签样本扩充集合
C,C中每个...

【专利技术属性】
技术研发人员:孙维东赵伶俐
申请(专利权)人:武汉大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1