基于迁移网络学习的遥感图像目标识别系统及方法技术方案

本发明专利技术公开了一种基于迁移网络学习的遥感图像目标识别系统及方法，主要解决现有方法对当有标签的遥感图像数据很少时识别正确率较低和图像标签的获取困难且花费昂贵的问题。整个系统包括：图像特征提取模块，迁移网络分类器学习系统生成模块和迁移网络分类器学习系统学习模块。其中，图像特征提取模块，对图像完成特征提取；迁移网络分类器学习系统生成模块，对输入的样本数据采用引入迁移学习的网络集成学习算法进行训练，得到迁移网络分类器学习系统；迁移网络分类器学习系统学习模块，对新的样本图像特征完成分类识别。本发明专利技术具有能够利用已有其他资源提高对遥感图像目标的识别正确率，无需重新搜集数据的优点，可用于遥感图像的目标识别。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及一种遥感图像目标识别系统，可用于遥感图像的目标识别。
技术介绍
近年来，随着机器学习的发展，基于单个分类器的学习系统已不能满足用户的需 求，集成学习称为机器学习中的一个研究热点。集成技术利用基学习器的多个版本来解决 同一个问题，可以显著地提高学习系统的泛化能力，其中要求各基分类器之间独立且具有 差异性，并已应用于遥感图像目标识别中。 2005年，王世军等人将Boosting算法引入分类器网络中，将分类器网络与分类器 集成并用，提出了网络集成学习算法NB，通过各节点分类器之间的通信和协作得到具有更 强泛化能力的分类器系统。在现实生活中存在大量其它的数据，这些数据域与目标数据相 关但又不同于目标数据，其中部分数据被期望用于指导新的问题。但是基于传统的机器学 习方法的目标识别方法，要求训练数据和测试数据独立同分布，因此存在如下缺点 1、当有标签的图像数据很少时，识别正确率就会较低； 2、如果要提高识别正确率，图像及其标签的获取和收集不仅困难而且花费昂贵； 3、不能够利用现有的其它可用资源来提高识别正确率。
技术实现思路
本专利技术的目的在于克服上述遥感图像目标识别系统及方法存在的缺点，将迁移学 习引入网络集成学习算法NB中，提出了一种基于迁移网络学习的遥感图像目标识别系统 及方法，以利用现有与目标数据相关的数据指导正确率较低图像目标的学习，从而提高其 分类正确率。 为实现上述目的，本专利技术的遥感图像目标识别系统及方法，包括 1、一种基于迁移网络学习的遥感图像目标识别系统，包括 图像特征提取模块，对输入图像进行特征提取，对输入的源域和目标域中有标签 图像集提取的特征结果传至迁移网络分类器学习系统生成模块，对目标域中无标签图像提 取的特征结果传至迁移网络分类器学习系统学习模块； 迁移网络分类器学习系统生成模块，对输入的源域和目标域有标签的图像特征采用迁移学习的网络集成学习算法进行训练，得到迁移网络分类器学习系统； 迁移网络分类器学习系统学习模块，对需要测试的图像进行特征提取，将得到的特征输入至迁移网络分类器学习系统中进行学习，输出最终的识别结果。 2. —种基于迁移网络学习的遥感图像目标识别方法，包括如下步骤 (1)输入源域图像数据集和目标域有标签图像数据集，并对其提取特征； (2)将提取到的特征输入目标域有标签的样本集TRS和源域样本集TRD组成训练样本集Z，其中，TRS与TRD中的样本数目分别为ls和1D ;设置含有K2个节点的网络拓扑结4构，输入采样率P和训练轮数T，采用迁移学习的网络集成学习算法，通过如下步骤训练生 成迁移网络分类器学习系统 2a)将训练样本集Z分别分布在各节点上，作为各节点的训练样本，初始化各节点 训练样本的权重； 2b)对各节点训练样本集Z进行有放回的加权采样，获得各节点的训练子集Tk, t， 利用各节点上的核匹配追踪学习机迁移模型TLKMPLM对Tk, t进行训练，得到各节点的基分 类器Ck,t，用各节点的基分类器Ck,t对训练样本集Z进行分类，得到分类结果，其中t为当前 训练轮数； 2c)根据对训练样本集Z的分类结果计算各节点上目标域样本的加权错误率 <formula>formula see original document page 5</formula> 其中，wk, t (Xi)为样本Xi的权重，yi为样本Xi的已知标签，hk, t (Xi)为Ck, t对样本 Xi的分类结果； 2d)根据加权错误率e u，计算t轮时各基分类器的权重 <formula>formula see original document page 5</formula> 2e)更新源域迁移样本和目标域样本的权重，当t < T时，转步骤(2b)，当t = T 时，结束训练，得到由所有基分类器Cu(k二 1，2，…，K，t二l，2，…，T)组成的迁移网络 分类器学习系统； (3)输入目标域无标签图像x进行特征提取，将其图像特征传入至生成的迁移网 络分类器学习系统中进行分类，得到分类结果<formula>formula see original document page 5</formula> 其中，Y为样本标签组成的集合，n为网络拓扑结构中与k节点相连的节点，a n, t 为t轮时n节点上基分类器的权重，hn, t (Xi)为t轮时n节点上基分类器对样本Xi的分类 结果； (4)将HK,T作为最终的分类结果输出。 本专利技术与现有的技术相比具有以下优点 1)本专利技术由于引入迁移学习，能够利用已有的与测试集相关的其它数据指导分类 正确率较低的数据的学习，无需重新搜集数据； 2)本专利技术由于采用引入迁移学习的网络集成学习算法，生成的迁移网络分类器学 习系统具有较高的正确识别率； 3)本专利技术由于基分类器使用迁移模型，生成的迁移网络分类器学习系统具有较高 的正确识别率； 本专利技术是基于网络的遥感图像识别系统，可用于各种复杂网络环境中。仿真结果 表明，对实测飞机SAR图像数据集，采用本专利技术的基于迁移网络学习的目标识别方法较引 入迁移学习前正确识别率可提高10% _15%。 附图说明图1为本专利技术基于迁移网络学习的遥感图像目标识别系统示意 图2为本专利技术的基于迁移网络学习的遥感图像目标识别方法流程 图3为目标域样本图像； 图4为源域样本图像。具体实施例方式下面结合附图和具体实施方式对本专利技术进行详细说明。 参照图l，本专利技术基于迁移网络学习的遥感图像目标识别系统，主要由输入源域图像和目标域有标签图像、输入目标域无标签图像、图像特征提取模块、迁移网络分类器学习系统生成模块、迁移网络分类器学习系统学习模块和分类结果组成，其中 图像特征提取模块，对输入图像进行特征提取，对输入的源域和目标域中有标签图像集提取的特征结果传至迁移网络分类器学习系统生成模块，对目标域中无标签图像提取的特征结果传至迁移网络分类器学习系统学习模块； 迁移网络分类器学习系统生成模块，对输入的源域和目标域有标签的图像特征采用引入迁移学习的网络集成学习算法进行训练，得到迁移网络分类器学习系统； 迁移网络分类器学习系统学习模块，对需要测试的图像进行特征提取，将得到的特征输入至迁移网络分类器学习系统中进行学习，输出最终的识别结果。 参照图2，本专利技术的遥感图像目标识别方法，包括如下步骤 步骤1 :输入源域图像数据集和目标域有标签图像数据集，将输入的图像数据集进行3层Wavelet、Brushlet和Contourlet变换，然后提取子图中的能量作为特征。 步骤2 :将提取到的特征输到入目标域有标签样本集TRS和源域样本集TRD，组成训练样本集Z，并设置含有I^个节点的网络拓扑结构，输入采样率P和训练轮数T，其中，TRs与TRD中的样本数目分别为ls和1D。 步骤3 :采用引入迁移学习的网络集成学习算法生成迁移网络分类器学习系统。 3a)将训练样本集Z分别分布在网络各节点上，作为各节点的训练样本，初始化各节点训练样本的权重； 3b)对各节点训练样本集Z进行有放回的加权采样，获得各节点的训练子集Tk, t，利用各节点上的核匹配追踪学习本文档来自技高网...

【技术保护点】
一种基于迁移网络学习的遥感图像目标识别系统，包括：图像特征提取模块，对输入图像进行特征提取，对输入的源域和目标域中有标签图像集提取的特征结果传至迁移网络分类器学习系统生成模块，对目标域中无标签图像提取的特征结果传至迁移网络分类器学习系统学习模块；迁移网络分类器学习系统生成模块，对输入的源域和目标域有标签的图像特征采用迁移学习的网络集成学习算法进行训练，得到迁移网络分类器学习系统；迁移网络分类器学习系统学习模块，对需要测试的图像进行特征提取，将得到的特征输入至迁移网络分类器学习系统中进行学习，输出最终的识别结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：缑水平，焦李成，王宇琴，吴建设，田小林，王爽，马文萍，慕彩红，杨辉，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]