极化SAR影像无监督跨域推理分类方法技术

本公开实施例中提供了一种极化SAR影像无监督跨域推理分类方法，属于雷达遥感影像数据处理技术领域，具体包括：步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；步骤2，利用极化统计散射分量创建极化SAR地物类别SCS的语义表达；步骤3，基于SAE网络提取源域S和目标域T的特征；步骤4，基于分类概率排序与语义相似度对目标域T进行类别分类和类别推理。通过本公开的方案，利用源域少量类别的标注样本，实现无标注目标域数据中更多地物类别的推理识别，提高了适应性和分类性能。性和分类性能。性和分类性能。

【技术实现步骤摘要】
极化SAR影像无监督跨域推理分类方法


[0001]本公开实施例涉及雷达遥感影像数据处理
，尤其涉及一种极化SAR影像无监督跨域推理分类方法。

技术介绍

[0002]目前，合成孔径雷达(Synthetic Aperture Radar,SAR)作为对地监测的一种手段，不仅具有全天时、全天候以及穿透性较强等特点，并且随着多极化、高分辨率卫星的不断升空，所获取的多极化数据、不同分辨率数据、不同成像模式的数据给利用SAR影像进行对地监测的应用提供了丰富的数据来源。随着不同SAR系统所获取的不同场景不同时相PolSAR图像越来越多，相比于海量增长的数据，有限的标注样本和训练模型难以在不同场景不同时相甚至不同传感器的SAR影像数据中进行复用，极大的阻碍了SAR影像数据解译。首先，由于不同数据采集平台以及不同成像参数等差异，造成了不同源不同场景的极化SAR数据之间的特征分布差异较大，这种跨域数据之间特征分布的偏移现象，甚至在同源异场景的数据当中；除此之外，SAR影像不同于光学影像的成像方式，造成了对SAR影像的目视解译困难，SAR影像的标注样本极其稀缺并且精度较低，而如何充分利用有限的珍贵的标注样本对新获取的无标注SAR影像进行跨场景跨时相跨SAR数据源(本专利将上述三种跨SAR数据的应用场景简称为跨域)解译仍然是一个问题。
[0003]与近年来得到广泛深入研究的光学遥感域自适应方法相比，目前对于SAR影像域自适应研究还很有限，无监督跨域PolSAR分析是目前常用的契合实际应用的方法，但无监督跨域PolSAR解译存在两方面难点：其一是为了获得有助于克服域偏移的鲁棒特征及适用于无监督跨域需求，特征提取过程需要适用于任何源域和目标域数据。另一方面，尽管极化散射机制和典型地物之间存在着广泛可理解且较为直接关系，但PolSAR地物朝向和分布的复杂性通常使得简单的散射特征难以直接开展跨域样本复用。因此，在当前SAR数据量越来越多、标注信息极为有限的情况下，研究适用于SAR数据的跨域解译方法具有重要的理论和实用意义。
[0004]实际应用中，通常会发生源域和目标域SAR数据的地物类型不一致的应用场景，这种场景中，传统的迁移学习只能获取目标域中与源域类别一致的地物类别，无法解译目标域中更多的地物类型。
[0005]可见，亟需一种适应性和分类性能强的极化SAR影像无监督跨域推理分类方法。

技术实现思路

[0006]有鉴于此，本公开实施例提供一种极化SAR影像无监督跨域推理分类方法，至少部分解决现有技术中存在适应性和分类效果较差的问题，满足仅有少量极化SAR数据有标注样本(称为源域)、大量目标域数据标注样本缺乏且地物类别不确定的解译应用需求。
[0007]第一方面，本公开实施例提供了一种极化SAR影像无监督跨域推理分类方法，包括：
[0008]步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；
[0009]步骤2，利用极化统计散射分量创建极化SAR地物类别SCS的语义表达；
[0010]步骤3，基于SAE网络提取源域S和目标域T的特征；
[0011]步骤4，基于分类概率排序与语义相似度对目标域T进行类别分类和类别推理。
[0012]根据本公开实施例的一种具体实现方式，所述步骤2之前，所述方法还包括：
[0013]将所述源域S的极化SAR影像标注样本内的已知的地物类别定义为Seen类，将所述目标域T的时序B无标注极化SAR影像数据内的未知的地物类别定义为Unseen类。
[0014]根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
[0015]根据极化统计散射分量提取带标注的样本SAR影像的不同地物类型对应的SSC特征；
[0016]根据全部所述SSC特征创建极化SAR地物类别SCS的语义表达。
[0017]根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
[0018]利用SAE网络获取源域S或目标域T数据子块中C3矩阵的优化特征表示。
[0019]根据本公开实施例的一种具体实现方式，所述步骤4具体包括：
[0020]步骤4.1，结合源域与目标域数据训练得到的网络特征和源域S中样本的标注，通过概率排序获取目标域T中最有可能与源域一致的Seen类别样本，利用获取的目标域训练样本重新训练SAE网络；
[0021]步骤4.2，结合重新训练的SAE网络和目标域T中的Seen类别重新对目标域T进行Seen类别挑选，利用分类概率和语义相似度距离从目标域中挑选出最可能为Unseen类别的样本，并结合语义相似度获取Unseen的具体类别；
[0022]步骤4.3，将获取的目标域的Seen及Unseen类别样本输入到重新训练的SAE网络模型进行特征提取，结合随机森林分类器获取目标域T的Seen类别及Unseen类别的分类结果。
[0023]根据本公开实施例的一种具体实现方式，所述步骤4.1具体包括：
[0024]4.1.1，利用源域标注样本对SAE网络进行微调，利用源域微调后的第一网络对无标注目标域进行特征提取，结合源域标注的Seen类别样本对分类器进行训练后，对目标域的样本特征进行分类；
[0025]4.1.2，将目标域初始分类的结果中各Seen类概率差进行排序，对于每个Seen类别，选取前p个分类最正确的作为目标域Seen样本，从初始分分类结果中获取目标域Seen样本后，随机从目标域数据中选取一定的无标注样本利用分类概率排序获取的目标域标注样本以及无标注样本训练并微调SAE网络，形成第二网络，重新获取目标域中分类概率较大的Seen类别，更新
[0026]4.1.3，基于第二网络对目标域的分类结果中，依据上述的分类概率，将概率较小的样本，按照SSC方式获取该样本对应的语义向量s
T
，并使用余弦相似度与各类语义模板进行逐一匹配，对于目标域中每个样本获取其与各个语义模板的相似度向量sim
Sem
，选取其中最大的相似度作为该类的初始类别，将目标域初始类别数量进行统计之后，按照预设的Unseen类别个数从中确定Unseen类别及对应样本将上述步骤4.1.1中更新的与
语义推理获取的样本重新用于训练SAE，形成重新训练的SAE网络。
[0027]本公开实施例中的极化SAR影像无监督跨域推理分类方案，包括：步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；步骤2，利用极化统计散射分量创建极化SAR地物类别SCS的语义表达；步骤3，基于SAE网络提取源域S和目标域T的特征；步骤4，基于分类概率排序与语义相似度对目标域T进行类别分类和类别推理。
[0028]本公开实施例的有益效果为：通过本公开的方案，基于大量极化SAR数据的创建稳定的PolSAR地物类型散射特征语本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极化SAR影像无监督跨域推理分类方法，其特征在于，包括：步骤1，获取时序极化SAR数据，其中，所述时序极化SAR数据包括源域S的极化SAR影像标注样本和目标域T的时序B无标注极化SAR影像数据；步骤2，利用极化统计散射分量创建极化SAR地物类别SCS的语义表达；步骤3，基于SAE网络提取源域S和目标域T的特征；步骤4，基于分类概率排序与语义相似度对目标域T进行类别分类和类别推理。2.根据权利要求1所述的方法，其特征在于,所述步骤2之前，所述方法还包括：将所述源域S的极化SAR影像标注样本内的已知的地物类别定义为Seen类，将所述目标域T的时序B无标注极化SAR影像数据内的未知的地物类别定义为Unseen类。3.根据权利要求2所述的方法，其特征在于,所述步骤2具体包括：根据极化统计散射分量提取带标注的样本SAR影像的不同地物类型对应的SSC特征；根据全部所述SSC特征创建极化SAR地物类别SCS的语义表达。4.根据权利要求1所述的方法，其特征在于,所述步骤3具体包括：利用SAE网络获取源域S或目标域T数据子块中C3矩阵的优化特征表示。5.根据权利要求1所述的方法，其特征在于,所述步骤4具体包括：步骤4.1，结合源域与目标域数据训练得到的网络特征和源域S中样本的标注，通过概率排序获取目标域T中最有可能与源域一致的Seen类别样本，利用获取的目标域训练样本重新训练SAE网络；步骤4.2，结合重新训练的SAE网络和目标域T中的Seen类别重新对目标域T进行Seen类别挑选，利用分类概率和语义相似度距离从目标域中挑选出最可能为Unseen类别的样本...

【专利技术属性】
技术研发人员：桂容，胡俊，吴文清，辜畅，
申请(专利权)人：中南大学，
类型：发明
国别省市：