[發(fā)明專利]基于多核融合與空間Wishart LapSVM的半監(jiān)督極化SAR圖像分類方法

有效

• 申請?zhí)枺?/td>: 201710589220.6
• 申請日: 2017-07-19
• 公開（公告）號(hào): CN107491734B
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計(jì)）人: 王敏;王勇
• 申請（專利權(quán)）人: 蘇州聞捷傳感技術(shù)有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 蘇州翔遠(yuǎn)專利代理事務(wù)所(普通合伙) 32251
• 代理人: 劉計(jì)成

本發(fā)明公開一種基于多核融合與空間Wishart LapSVM的半監(jiān)督極化SAR圖像分類方法，主要解決現(xiàn)有分類方法中由于極化合成孔徑雷達(dá)全極化SAR圖像的標(biāo)記樣本較少造成的分類精度低的問題。其實(shí)現(xiàn)步驟為：得到極化相關(guān)矩陣T、提取其極化特征向量并做歸一化處理、建立訓(xùn)練樣本集、構(gòu)造Spatial?Wishart流形正則項(xiàng)等步驟，計(jì)算分類準(zhǔn)確率并輸出極化SAR圖像分類結(jié)果。本發(fā)明既解決了傳統(tǒng)無監(jiān)督極化SAR圖像分類準(zhǔn)確率不高的問題，也避免了監(jiān)督分類方法需要大量標(biāo)簽數(shù)據(jù)而造成的人工標(biāo)記困難和代價(jià)高的弊端，聯(lián)合利用少量有標(biāo)簽數(shù)據(jù)和大量無標(biāo)簽廉價(jià)數(shù)據(jù)獲得了更好的分類效果，可用于極化SAR圖像的目標(biāo)分類、檢測和識(shí)別。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及極化SAR圖像分類方法，可用于極化SAR圖像的地物分類、目標(biāo)識(shí)別等技術(shù)領(lǐng)域中。

背景技術(shù)

極化SAR(Polarimetric SAR)是能夠?qū)δ繕?biāo)進(jìn)行全極化測量的合成孔徑雷達(dá)，通過測量和記錄不同極化狀態(tài)組合回波的相位差信息對(duì)目標(biāo)進(jìn)行全極化測量成像。極化SAR數(shù)據(jù)包含更豐富的目標(biāo)散射信息，能夠?qū)δ繕?biāo)進(jìn)行更為全面表達(dá)和描述，提高對(duì)地物的識(shí)別能力，同時(shí)，其具有全天候、全天時(shí)，分辨率高等優(yōu)點(diǎn)，在目標(biāo)檢測與識(shí)別、分類以及參數(shù)反演等方面具有十分突出的優(yōu)勢，因此廣泛應(yīng)用于軍事、農(nóng)業(yè)、導(dǎo)航等眾多領(lǐng)域。目前極化SAR成像技術(shù)已獲得飛速發(fā)展，但對(duì)應(yīng)的極化SAR圖像處理技術(shù)還無法滿足現(xiàn)有要求。因此，迫切需要開發(fā)能夠?qū)O化SAR圖像進(jìn)行全方位解讀的圖像處理技術(shù)。

根據(jù)學(xué)習(xí)過程中是否需要用到有標(biāo)簽數(shù)據(jù)，現(xiàn)有的極化SAR圖像分類方法可以分為監(jiān)督分類和無監(jiān)督分類。監(jiān)督學(xué)習(xí)是通過大量標(biāo)記樣本的訓(xùn)練獲得一個(gè)最優(yōu)模型，再利用該最優(yōu)模型實(shí)現(xiàn)對(duì)無標(biāo)記數(shù)據(jù)的預(yù)測，如Lee等人提出的基于復(fù)Wishart分布的極化協(xié)方差矩陣監(jiān)督分類方法，Heermann等人提出的基于反向傳播的神經(jīng)網(wǎng)絡(luò)的分類方法等。無監(jiān)督學(xué)習(xí)是通過挖掘數(shù)據(jù)內(nèi)部的結(jié)構(gòu)和固有屬性從而完成分類或聚類，其學(xué)習(xí)過程不需要標(biāo)簽數(shù)據(jù)，如Cloude等人提出的H/α無監(jiān)督分類方法，Lee等人提出的基于Freeman分解的極化SAR圖像無監(jiān)督分類算法等。

半監(jiān)督學(xué)習(xí)是一種監(jiān)督學(xué)習(xí)和無監(jiān)督相結(jié)合的學(xué)習(xí)方法，通過利用少量標(biāo)記樣本，并同時(shí)聯(lián)合大量廉價(jià)的無標(biāo)記樣本，充分利用無標(biāo)記樣本所蘊(yùn)含的固有結(jié)構(gòu)和信息來提升分類效果，既避免了監(jiān)督學(xué)習(xí)中用到大量標(biāo)記數(shù)據(jù)所造成的人工標(biāo)記困難，成本高等問題，也有效解決了無監(jiān)督學(xué)習(xí)分類精度低的弊端。

由于目前所存在的監(jiān)督和無監(jiān)督的極化SAR圖像分類方法均有其一定局限性，因此，研究一種行之有效的半監(jiān)督極化SAR圖像分類方法是本技術(shù)領(lǐng)域的當(dāng)務(wù)之急。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服當(dāng)前領(lǐng)域中監(jiān)督和無監(jiān)督極化SAR圖像分類方法的固有弊端和不足，提出一種基于多核融合與空間Wishart-LapSVM的半監(jiān)督極化SAR圖像分類方法，通過在少量標(biāo)記樣本的基礎(chǔ)上，利用大量廉價(jià)的無標(biāo)記樣本提升分類精度。

本發(fā)明的技術(shù)方案是基于極化SAR數(shù)據(jù)的聚類假設(shè)與空間一致性假設(shè)，構(gòu)造Spatial-Wishart流形正則項(xiàng)，以及利用多核加權(quán)融合方式對(duì)極化特征向量實(shí)現(xiàn)高維映射，從而實(shí)現(xiàn)基于LapSVM的半監(jiān)督極化SAR地物分類，充分利用大量廉價(jià)的無標(biāo)記樣本提升分類效果。其具體實(shí)施方案如下：

(1)輸入待分類極化SAR圖像，得到其極化相干矩陣T；

(2)基于極化SAR圖像中的極化相干矩陣T，聯(lián)合空間信息，構(gòu)造極化特征向量，并做特征歸一化處理；

(3)從待分類的極化SAR圖像中每類隨機(jī)選取1％的數(shù)據(jù)進(jìn)行標(biāo)記，同時(shí)聯(lián)合30％的無標(biāo)記數(shù)據(jù)，共同構(gòu)成訓(xùn)練樣本集；

(4)基于空間一致性假設(shè)及極化SAR數(shù)據(jù)的極化相干矩陣服從復(fù)Wishart分布，設(shè)計(jì)極化SAR圖像像素點(diǎn)之間的相似性度量準(zhǔn)則，并根據(jù)聚類假設(shè)，構(gòu)造Spatial-Wishart流形正則項(xiàng)；