顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备技术

本发明专利技术公开了一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备，其方法为：选取带标签和不带标签的极化SAR数据计算生成协方差矩阵，分别作为源域和目标域数据集；使用源域样本初始化源域及目标域的聚类中心；将源域和目标域数据输入至各自对应的复卷积神经网络，得到重构特征；通过计算重构特征与聚类中心的距离，为目标域样本确定伪标签，并更新目标域的聚类中心；重复聚类迭代，直到聚类迭代收敛或达到聚类最大迭代次数；通过最小化目标函数，迭代更新两个复卷积神经网络的参数，直到网络参数收敛，此时目标域数据集各样本类别即为最终地物类别。本发明专利技术可高效对极化SAR数据进行地物分类。

【技术实现步骤摘要】
顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备
本专利技术属于遥感图像处理
，尤其涉及一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备。
技术介绍
现针对极化SAR数据与神经网络相结合的研究并不深入。而极化SAR较为独特成像特点，有着丰富的地物结构信息。但现有的极化SAR数据的处理方式与光学数据的处理方式雷同，无法完全的发挥极化SAR数据特点。且现有的极化SAR样本较少且制作较为困难，故很难利用大样本训练网络模型。在最近几年里，一些学者提出了一种复数网络，同时提取了极化SAR数据的相位极化信息。虽然在极化SAR数据的应用结果上没有很大提升，但极化SAR自身数据特点已开始与深度学习相结合，以期建模出更符合极化SAR数据特点的网络。
技术实现思路
本专利技术公开了一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法及设备，在提取极化SAR数据的特征方面有着较好的效果，且能高效地进行地物聚类。为实现上述技术目的，本专利技术采用如下技术方案：一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法，包括：步骤1，选取带有样本标签的极化SAR数据计算生成协方差矩阵C3，作为源域数据集标签为c的第i个样本且源域数据集的样本标签包括Num类，c＝1，2，…，Num；将没有样本标签的极化SAR数据计算生成协方差矩阵C3，作为目标域数据集中的第j个样本步骤2，计算源域数据集各类标签c的聚类中心作为源域数据集初始的聚类中心使用源域数据集的聚类中心初始化目标域数据集的聚类中心为步骤3，使用源域数据集和目标域数据集分别输入至各自对应的复卷积神经网络；源域对应的复卷积神经网络输出端设置的softmax分类器，输出源域数据集的样本分类结果；目标域对应的复卷积神经网络，输出与目标域数据集中的样本对应的重构特征，所有样本的重构特征构成重构特征集；步骤4，对目标域数据集中每个样本：均计算其对应重构特征与每个聚类中心之间的Wishart距离，通过选取其中最小距离对应的聚类中心，确定该样本的类别；记确定类别c的重构特征为步骤5，针对目标域数据集中每种类别，均根据目标域数据集中该种类别所有样本对应的重构特征，计算并更新目标域数据集该种类别的聚类中心；步骤6，重复步骤4、5进行聚类迭代，直到聚类迭代收敛或达到聚类最大迭代次数；步骤7，通过最小化目标函数，更新源域复卷积神经网络和目标域复卷积神经网络的参数；步骤8，返回执行步骤3，直到源域和目标域对应的复卷积神经网络的参数收敛，此时目标域数据集各样本的类别即为最终地物分类类别。在更优的技术方案中，步骤7所述的目标函数为：f＝losscrossentropy+βDCWD式中，losscrossentropy为源域分类的交叉熵损失，DCWD为源域、目标域的所有类别的数据分布之间的对比性Wishart差异，β为正则项系数，且有：其中，μcc(y，y′)为判别函数，CDcc表示源域与目标域的相同类别内数据点之间的距离，CDcc′表示源域与目标域的不同类别c与c′样本间的距离，且有：CDcc＝WD，其中，WD是指Wishart距离，表示参数为θ的源域复卷积神经网络根据输入样本预测输出标签为的概率，概率值由softmax分类器得到；表示源域数据样本的真实标签，表示目标域数据样本聚类所得标签；ns表示源域数据集中的样本数量，nt表示目标域数据集中的样本数量；表示源域与目标域的相同类别数据点之间的对比性Wishart差异，表示源域与目标域的不同类别数据点之间的对比性Wishart差异；e1表示的是对于所有类别的以下距离之和：目标域与源域相同类别样本在重构特征空间上的距离；e2表示的是对于所有类别的以下距离之和：目标域与源域不同类别样本在重构特征空间上的距离；表示源域复卷积神经网络根据样本输出的重构矩阵，表示对求逆运算；表示源域复卷积神经网络根据样本输出的重构矩阵，表示对求逆运算；表示nt个目标域样本对应的聚类标签Z表示的是源域与目标域样本的重构矩阵的统称。在更优的技术方案中，在步骤7最小化目标函数前，先对目标域数据集中参与的各类型样本子集以及样本进行预处理，包括：(1)确定参与目标函数计算的样本：对于各类型样本子集中的每个样本，若样本距自身类别聚类中心的wishart距离超过给定阈值tv∈[0，1]，则该样本不参与本次网络参数更新过程的目标函数计算；(2)确定参与目标函数计算的样本类型：基于确定的参与目标函数计算样本，统计目标域数据集中每种类型包括的样本数，若某种样本类型包括的样本数低于给定阈值δ，则该样本类型不参与本次网络参数更新过程的目标函数计算。在更优的技术方案中，协方差矩阵的计算生成方法为：式中，为极化SAR数据对应的散射矩阵，*表示共轭转置，SHH包含HH极化通道回波功率、SHV包含HV极化通道回波功率、SVH包含VH极化通道回波功率、SVV包含VV极化通道的回波功率数。在更优的技术方案中，步骤6中聚类迭代收敛的标准包括类内wishart离散度和类间wishart距离；类内wishart离散度要求：每种类型所有样本至该类聚类中心的平均距离小于给定值类间wishart距离要求：任意两个聚类中心之间的wishart距离大于给定值σ，否则表明聚类不收敛，需继续迭代聚类；其中两个聚类中心与的之间的wishart距离计算式为：式中，||表示求矩阵的行列式。在更优的技术方案中，聚类中心的计算方法为：式中，表示源域数据集中标签为c的样本数量，表示目标域数据集中标签为c的样本数量。一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类设备，包括处理器和存储器；其中：所述存储器用于存储计算机指令；所述处理器用于执行所述存储器存储的计算机指令，具体执行上述任一技术方案所述的顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法。有益效果本专利技术针对极化SAR的信息与深度学习算法结合利用不完全与极化SAR数据样本少、难制作的问题，且其极化协方差矩阵C3符合复Wishart分布的特点，利用复神经网络提取极化SAR数据的空间结构信息与极化信息，并在构建的网络中引入极化SAR的统计特性，得到极化SAR的分类成果图，从而高效地进行极化SAR数据地物分类，大大提升了极化SAR数据信息的利用，并进一步推进了深度学习在极化SAR数据处理中的应用，为极化SAR数据的处理提供一种新思路。另外，本专利技术在一定程度上解决了极化SAR数据样本制作困难的问题。附图说明图1为本专利技术实施例所述方法的总体结构图，主要包括CCNN模型与wishart距离迭代聚类过程。图2为本专利技术实施例本文档来自技高网...

【技术保护点】
1.一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法，其特征在于，包括：/n步骤1，选取带有样本标签的极化SAR数据计算生成协方差矩阵C

【技术特征摘要】
1.一种顾及极化统计特性的非监督域自适应网络极化SAR地物分类方法，其特征在于，包括：
步骤1，选取带有样本标签的极化SAR数据计算生成协方差矩阵C3，作为源域数据集标签为c的第i个样本且源域数据集的样本标签包括Num类，c＝1，2，…，Num；将没有样本标签的极化SAR数据计算生成协方差矩阵C3，作为目标域数据集中的第j个样本
步骤2，计算源域数据集各类标签c的聚类中心作为源域数据集初始的聚类中心使用源域数据集的聚类中心初始化目标域数据集的聚类中心为
步骤3，使用源域数据集和目标域数据集分别输入至各自对应的复卷积神经网络；源域对应的复卷积神经网络输出端设置的softmax分类器，输出源域数据集的样本分类结果；目标域对应的复卷积神经网络，输出与目标域数据集中的样本对应的重构特征，所有样本的重构特征构成重构特征集；
步骤4，对目标域数据集中每个样本：均计算其对应重构特征与每个聚类中心之间的Wishart距离，通过选取其中最小距离对应的聚类中心，确定该样本的类别；记确定类别c的重构特征为
步骤5，针对目标域数据集中每种类别，均根据目标域数据集中该种类别所有样本对应的重构特征，计算并更新目标域数据集该种类别的聚类中心；
步骤6，重复步骤4、5进行聚类迭代，直到聚类迭代收敛或达到聚类最大迭代次数；
步骤7，通过最小化目标函数，更新源域复卷积神经网络和目标域复卷积神经网络的参数；
步骤8，返回执行步骤3，直到源域和目标域对应的复卷积神经网络的参数收敛，此时目标域数据集各样本的类别即为最终地物分类类别。


2.根据权利要求1所述的方法，其特征在于，步骤7所述的目标函数为：
f＝losscrossentropy+βDCWD
式中，losscrossentropy为源域分类的交叉熵损失，DCWD为源域、目标域的所有类别的数据分布之间的对比性Wishart差异，β为正则项系数，且有：


















其中，μcc(y，y′)为判别函数，CDcc表示源域与目标域的相同类别内数据点之间的距离，CDcc′表示源域与目标域的不同类别c与c′样本间的距离，且有：
CDcc＝WD，



其中，WD是指Wishart距离，

表示参数为θ的源域复卷积神经网络根据输入样本预测输出标签为的概率，概率值由softmax分类器得到；

表示源域数据样本的真实标签，表示目标域数据样本聚类所得标签；
ns表示源域数据集中的样本数量，nt表示目标域数据集中的样本数量；

表示源域与目标...

【专利技术属性】
技术研发人员：汪长城，李倩，沈鹏，高晗，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43