[發明專利]面向單視全極化SAR數據的集成遷移學習分類方法及系統

有效

• 申請號: 202110577250.1
• 申請日: 2021-05-26
• 公開（公告）號: CN113343804B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 孫維東;趙伶俐
• 申請（專利權）人: 武漢大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/26;G06V10/774;G06K9/62;G06N20/00
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種面向單視全極化SAR數據的集成遷移學習分類方法，采用全圖分割和局部開窗分割，利用圖像空間上下文信息濃縮源域有標簽樣本量和擴充目標域有標簽樣本量；然后結合散射矢量相似性系數和適應度函數設置源域有標簽樣本選取過程，根據目標域類別中心調整訓練評判器模型所用源域樣本分布；引入對弱分類器可靠性的參考信息作為權重因子，采用加權形式利用遷移弱分類器進行類別軟預測，給予預測結果一致的目標域無標簽像元偽標簽，以擴充目標域有標簽樣本量并訓練新弱分類器；通過迭代利用生成的遷移弱分類器集合完成目標域所有像元的集成分類。本發明能夠顯著降低雷達圖像分類任務對目標域標簽信息的高度依賴，提高分類效率和自動化水平。

技術領域

本發明屬于全極化雷達遙感圖像處理技術領域，設計一種基于全極化合成孔徑雷達(Polarimetric Synthetic Aperture Radar，POLSAR)單視數據進行地物集成分類的遷移學習新方法及系統。

背景技術

遙感技術可以不與目標直接接觸而進行遠距離觀測，是獲取區域性地表信息的理想方式。遙感圖像監督分類是利用有類別標簽的像元樣本建立識別模型，從而推斷圖像中其他像元所屬類別的過程，其在土地利用管理、土地覆蓋變化等方面有著巨大的應用潛力，能夠為了解和規劃土地用途、評估自然災害影響、組織災區救援與重建等工作提供重要支撐。在各類遙感傳感器中，合成孔徑雷達(Synthetic Aperture Radar，SAR)以其全天時、全天候的成像優勢，成為了整個遙感觀測體系中不可或缺的一部分。隨著近年來雷達遙感衛星的頻繁發射，海量雷達圖像為雷達遙感圖像處理技術的發展與應用提供了肥沃的土壤，同時也對雷達圖像處理的自動化水平提出了嚴峻挑戰。目前，雷達圖像的產出速度與雷達圖像的解譯處理效率已存在嚴重的不匹配現象：在監督分類方面，有標簽樣本最直接的獲取方式是在衛星過境觀測期間，同步或近同步地開展實地調繪工作，但這種方式效率較低、耗資較大，且部分區域地形地勢險峻，難以到達；另一種替代的方式是對雷達影像進行目視解譯，但由于SAR的微波工作頻段和特殊的側視成像方式，其影像迥異于常規可見光圖像，導致目視解譯非常依賴于專家知識。考慮到存檔圖像中已有豐富的歷史標簽信息，若能將歷史標簽樣本遷移至新的雷達數據進行類別信息共享，輔助完成當前分類任務，則可大大降低對當前待分類影像中的標簽信息需求，提高雷達圖像解譯自動化程度。然而，現階段的遷移學習技術主要是聚焦于常規的模式識別任務，未能結合遙感圖像中的空間上下文信息和雷達散射矢量數據特性設計算法，直接用在SAR圖像中易引起負遷移效應；此外，全極化合成孔徑雷達(POLSAR)采用多通道形式獲取地物目標后向散射信息，分類結果極易受斑點噪聲影響。降低噪聲影響的常用方式是采用多視處理，即利用空域集合平均求取散射矢量的二階統計量作為分類器的輸入特征，但這種處理人為地降低了空間分辨率，損失了大量空間細節。

發明內容

本發明的目的即在于直接使用POLSAR單視復散射矢量數據，并通過引入雷達圖像空間上下文信息和散射矢量相似性系數建立集成遷移學習模型，利用大量歷史數據中的有標簽樣本輔助極少量當前數據中的有標簽樣本完成地物分類。

本發明的技術方案提供一種面向單視全極化SAR數據的集成遷移學習分類方法，采用全圖分割和局部開窗分割的方式，利用圖像空間上下文信息濃縮源域有標簽樣本量和擴充目標域有標簽樣本量；然后結合散射矢量相似性系數和適應度函數設置源域有標簽樣本選取過程，根據目標域類別中心動態調整訓練評判器模型所用的源域樣本分布；隨后引入對弱分類器可靠性的參考信息作為權重因子，采用加權形式利用遷移弱分類器進行類別軟預測，給予預測結果一致的目標域無標簽像元偽標簽，以此擴充目標域有標簽樣本量并訓練新的弱分類器；通過迭代運行，最終利用生成的遷移弱分類器集合完成目標域所有像元的集成分類。

而且，實現過程包括以下步驟：

步驟1，將整景歷史存檔圖像作為源域，對整景歷史存檔圖像進行分割處理，得到源域全部像元的圖斑對象索引值；