顾及特征优化的极化SAR图像半监督分类方法技术

本发明专利技术公开一种顾及特征优化的极化SAR图像半监督分类方法，首先采用精致极化LEE滤波方法滤波，再提取极化特征，组合成原始特征集并作归一化处理；选取初始训练样本集和无标签集合，在初始训练样本集下，通过混合编码遗传算法进行特征选择和分类器参数优化；重新构建训练样本集和无标签样本集；训练分类器，从无标签样本集中选取候选集；利用训练的SVM分类器对候选集进行标注，选取置信度高的样本点扩充至训练样本集；重复训练分类器直到学习结束；将最终训练的SVM对整幅图像进行分类，得到分类专题图。此种分类方法一方面能自适应提取更有效的特征，改善半监督分类效果；一方面能提高了自训练学习的效率，并有效地避免错误累积。

【技术实现步骤摘要】

本专利技术属于遥感图像处理
，涉及遥感图像分类领域的应用，特别涉及一种顾及特征优化的极化SAR图像半监督分类方法。
技术介绍
合成孔径雷达(Synthetic Aperture Radar,SAR)是自20世纪50年代起逐渐被研发与投入使用的一种成像雷达，具有全天时、全天候、穿透能力强等特点。但是早期的SAR系统采用的是单极化的工作模式，只能获取地物目标回波功率的复数据，并不能得到地物目标的极化信息，不利于获取地物目标方位取向、几何尺寸、表面粗糙度等信息，也不利于分析地物目标的散射机制。为此，一种相干多通道微波成像系统，即极化SAR迅速的发展起来，成为SAR的一个重要分支。极化SAR图像相比传统SAR图像能获取更加丰富的地物信息，因此，近年来，极化SAR图像分类成为遥感图像处理领域的研究热点。现有的极化SAR图像分类方法中，非监督分类方法虽然不需要标注样本，但是缺乏先验知识导致无法保证分类精度，相对而言，监督分类更容易获得较好的分类效果，但在实际应用中往往过分依赖大量、高质量的标记样本。为解决该问题，不少学者提出将半监督学习理论应用在全极化SAR分类领域，希望通过使用少量标注的样本学习扩大训练集克服样本不足和人为错误选取等问题。其中，自训练(self-training)半监督分类方法是比较常用且简便的方法。该方法利用少量标注样本训练一个基分类器，以此对无标签样本进行标注，将较为可靠的标注点扩充至标签样本集，达到优化分类器的目的。但是由于使用少量样本训练的基分类器往往分类精度不高，往往容易造成错误累积现象。此外，在全极化SAR半监督分类中，各类极化分解下的特征集通过自训练学习的效果不一样，聚类效果差异也较大，综合利用所有的特征也无法保证能达到较好效果，反而增加计算负担。现有的方法中往往凭经验选取特征，如何自适应地进行特征选择与优化是值得讨论的问题。
技术实现思路
本专利技术的目的，在于提供一种顾及特征优化的极化SAR图像半监督分类方法，其一方面能自适应提取更有效的特征，改善半监督分类效果；一方面能提高了自训练学习的效率，并有效地避免错误累积。为了达成上述目的，本专利技术的解决方案是：一种顾及特征优化的极化SAR图像半监督分类方法，包括如下步骤：(1)读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的图像进行滤波，去除斑点噪声，得到去噪后的极化SAR图像；(2)从去噪后的极化图像的相干矩阵T、协方差矩阵C、散射矩阵S中提取极化特征，将提取的所有特征组合成原始特征集并作归一化处理；(3)根据极化SAR图像的地物分布参考图，人工选取少量样本作为初始训练样本集L＇，随机从图中选取大量未标记样本作为无标签样本集U＇；(4)在初始训练样本集L＇下，通过混合编码遗传算法进行特征选择和分类器参数优化；(5)根据选择的特征重新构建训练样本集L和无标签样本集U；(6)利用训练样本集L和优化的分类器参数训练SVM分类器；(7)利用模糊聚类算法从无标签样本集U中选取候选集H；(8)利用训练的SVM分类器对H进行标注，选取置信度高的样本点扩充至训练样本集L；(9)再次执行步骤(6)至步骤(8)直到满足学习结束的条件；(10)将最终训练的SVM分类器对整幅图像进行分类，得到分类专题图。上述步骤(1)中，精致极化LEE滤波方法的滑动窗口大小为7*7像素。上述步骤(2)中，提取特征的具体步骤是：(21)通过各种极化目标分解方法提取极化特征：所述极化目标分解方法包括Pauli分解、Freeman分解和Krogager分解；(22)从极化SAR图像每个像素点的相干矩阵T提取9个矩阵元素特征。上述步骤(4)中，混合编码遗传算法包括如下步骤：(41)采用二进制编码进行特征选择，实数编码进行参数优化，两段染色体组合形成编码串；(42)初始种群后，以特征集和参数共同决定的分类精度作为遗传算法的适应度函数，通过赌盘运算对编码串进行选择；(43)对选择的编码串，在各自的编码段内独立进行交叉、变异之后再组合计算适应值；(44)得到最佳适应值的个体，通过解码获得选择的特征和优化的参数。上述步骤(7)中，利用模糊聚类算法从无标签样本集U中选取候选集H的具体步骤如下：(71)利用模糊聚类算法对训练样本集L产生聚类中心R；(72)以R为初始聚类中心，在无标签样本集U中进行聚类产生模糊隶属度函数值，并根据最大隶属度原则划分每个类簇；(73)在每个类簇中，以隶属度高低进行排序，并选取前N个点作为候选集H。上述步骤(8)中，选取置信度高的样本点扩充至训练样本集L具体为将标注每个类别中置信度最高的W个点加入到训练样本集L中，并从无标签样本集U中去除这些点。上述步骤(9)中，学习结束的条件为设置迭代次数或无标签样本集U为空集。采用上述方案后，本专利技术具有以下特点：(1)利用遗传算法预先对极化特征集进行优化选择，克服了单一特征集的局限性，又避免了综合所有特征集时特征之间的相干性等问题，使其后续半监督分类精度得到有效提高；(2)能在少量人工标注样本条件下，获得较好的分类效果；(3)引入模糊聚类算法，特别是核模糊聚类算法辅助自训练学习，提高了自训练学习的效率，并有效地避免错误累积。附图说明图1是本专利技术的流程图；图2是本专利技术中混合编码遗传算法的染色体编码区寻优策略；图3是本专利技术仿真实验区域(弗莱福兰Flevoland)Pauli假彩色合成图像(a)，真实地物标记(b)，地物类别(c)；图4是仿真一的分类精度图；图5是仿真二的不同方法分类结果图；图6是仿真二的不同方法分类结果与真实地物差异图。具体实施方式以下将结合附图，对本专利技术的技术方案进行详细说明。如图1所示，本专利技术提供一种顾及特征优化的极化SAR图像半监督分类方法，包括如下步骤：(1)读入一幅待分类的极化SAR图像，对其进行预处理，具体是采用精致极化LEE(Refined Lee)滤波算法对待分类的SAR图像进行滤波，该算法的滑动窗口大小为7*7像素，从而去除斑点噪声，消除斑点噪声的影响，得到去噪后的极化SAR图像，增强图像的可读性；(2)对前述去噪后的极化SAR图像进行特征提取，所提取的特征如表1所示。表1在进行特征提取时，主要以各种经典的极化目标分解方法为主，如Pauli分解、Freeman分解和Krogager分解，从极化SAR图像中每个像素点的相干矩阵T3中提取9个矩阵元素特征，再将提取的所有特征组合成原始特征集并作归一化处理。(3)根据极化SAR图像的地物分布参考图，人工选取少量样本作为初始训练样本集L＇，随机从图中选取大量未标记样本作为无标签样本集U＇；在本实施例中，根据真实地物参考，选每类2个样本(9类地物，共18个样本)作为初始训练样本集L＇，以真实地物标记(共78019个样本)作为无标签样本集U＇和测试样本集；(4)在初始训练样本集L＇下，通过混合编码遗传算法(记为Ga-SVM)进行特征选择和参数优化，具体步骤如下：(41)采用二进制编码进行特征选择，通过“1”为选中，“0”为未选中的方式随机产生一定长度(特征个数)的编码串(个体)进行初始化种群，实数编码进行参数优化，主要为SVM分类器中的C和σ2个参数。C的范围选取[0.1-100]，σ的范围为[0.01-1000]，两段染色体组合本文档来自技高网...

【技术保护点】
一种顾及特征优化的极化SAR图像半监督分类方法，其特征在于包括如下步骤：(1)读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的图像进行滤波，去除斑点噪声，得到去噪后的极化SAR图像；(2)从去噪后的极化图像的相干矩阵T、协方差矩阵C、散射矩阵S中提取极化特征，将提取的所有特征组合成原始特征集并作归一化处理；(3)根据极化SAR图像的地物分布参考图，人工选取少量样本作为初始训练样本集L＇，随机从图中选取大量未标记样本作为无标签样本集U＇；(4)在初始训练样本集L＇下，通过混合编码遗传算法进行特征选择和分类器参数优化；(5)根据选择的特征重新构建训练样本集L和无标签样本集U；(6)利用训练样本集L和优化的分类器参数训练SVM分类器；(7)利用模糊聚类算法从无标签样本集U中选取候选集H；(8)利用训练的SVM分类器对H进行标注，选取置信度高的样本点扩充至训练样本集L；(9)再次执行步骤(6)至步骤(8)直到满足学习结束的条件；(10)将最终训练的SVM分类器对整幅图像进行分类，得到分类专题图。

【技术特征摘要】
1.一种顾及特征优化的极化SAR图像半监督分类方法，其特征在于包括如下步骤：(1)读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的图像进行滤波，去除斑点噪声，得到去噪后的极化SAR图像；(2)从去噪后的极化图像的相干矩阵T、协方差矩阵C、散射矩阵S中提取极化特征，将提取的所有特征组合成原始特征集并作归一化处理；(3)根据极化SAR图像的地物分布参考图，人工选取少量样本作为初始训练样本集L＇，随机从图中选取大量未标记样本作为无标签样本集U＇；(4)在初始训练样本集L＇下，通过混合编码遗传算法进行特征选择和分类器参数优化；(5)根据选择的特征重新构建训练样本集L和无标签样本集U；(6)利用训练样本集L和优化的分类器参数训练SVM分类器；(7)利用模糊聚类算法从无标签样本集U中选取候选集H；(8)利用训练的SVM分类器对H进行标注，选取置信度高的样本点扩充至训练样本集L；(9)再次执行步骤(6)至步骤(8)直到满足学习结束的条件；(10)将最终训练的SVM分类器对整幅图像进行分类，得到分类专题图。2.如权利要求1所述的一种顾及特征优化的极化SAR图像半监督分类方法，其特征在于：所述步骤(1)中，精致极化LEE滤波方法的滑动窗口大小为7*7像素。3.如权利要求1所述的一种顾及特征优化的极化SAR图像半监督分类方法，其特征在于：所述步骤(2)中，提取特征的具体步骤是：(21)通过各种极化目标分解方法提取极化特征：所述极化目标分解方法包括Pauli分解、Freeman分解和Krogager分...

【专利技术属性】
技术研发人员：徐佳，袁春琦，何秀凤，崔宸洋，陈媛媛，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32