[发明专利]基于半监督深度距离度量网络的极化SAR图像分类方法

权利要求书

1.一种基于半监督深度距离度量网络的极化SAR图像分类方法，其特征在于，包括有如下步骤：

(1)输入待分类的极化SAR图像数据：即极化SAR图像的相干矩阵T，根据极化SAR图像的地物分布信息得到标签矩阵Y，同一种地物的分布由同样的类别标号表示，不能确定类别的地物分布在标签矩阵Y中用0表示，根据极化SAR图像的相干矩阵T生成样本矩阵N是样本的总个数，x_m表示第m个样本；

(2)选择有标记样本和无标记样本：根据极化SAR图像的样本数据X和标签矩阵Y，每类随机选取1％的样本作为有标记样本，其余的为无标记样本；

(3)求有标记样本的近邻样本：在所有的样本数据中，求取每个有标记样本的K₁个有标记Wishart同类近邻样本和K₂个无标记Wishart近邻样本；

(4)构建半监督大边界近邻算法的损失函数：在大边界近邻算法的基础上增加流行学习正则项，将有监督的大边界近邻算法改进为半监督的大边界近邻算法，得到半监督大边界近邻算法的损失函数；构建半监督大边界近邻算法的损失函数的过程包括：

在大边界近邻算法的损失函数中添加流行学习正则项，正则项的使用增加了对部分无标记样本的利用，将有监督的大边界近邻算法改进为半监督学习方法，该流行学习正则项J_R的目的在于惩罚有标记样本x_i与无标记样本x_p之间的大间隔，也就是减小有标记样本x_i与无标记样本x_p之间的间隔：

其中，符号表示有标记样本x_i与其无标记近邻样本x_p之间的相似度，则半监督大边界近邻算法的损失函数ε₂(L)为：

其中，||·||_F是Frobenius范数，用来保证最大边界，λ为Frobenius范数正则项系数，通常取λ＝1，γ为半监督正则项参数，y_il表示有标记样本x_i和有标记样本x_l的类别关系，y_il＝1当且仅当y_i＝y_l时成立，即x_i和x_l为同类样本，否则，y_il＝0；[z]₊＝max(z,0)是标准的铰链函数；损失参数μ∈[0,1]，符号ξ_ijl＝[1+||L(x_i-x_j)||²-||L(x_i-x_l)||²]₊；

(5)初始化深度网络的基本参数：随机初始化深度距离度量网络的权重参数W和偏置单元b，设定深度距离度量网络每层的节点数，确定深度距离度量网络的整体结构；

(6)对深度距离度量网络预训练：将有标记样本及其对应的Wishart近邻样本送入到深度距离度量网络中进行预训练，利用半监督大边界近邻算法，采用逐层贪婪的预训练方法，前一层的输出作为后一层的输入，直到训练完最后一个隐层，优化网络的权重，深度距离度量网络的权重得到初步优化；

(7)对深度距离度量网络微调：利用有标签样本及其标签信息，结合Softmax分类器对深度距离度量网络进行微调，进一步优化网络的权重，使网络变得更稳定，完成深度距离度量网络优化；

(8)对无标记样本进行类别预测：将无标记样本送入到深度距离度量网络，利用Softmax分类器对无标记样本的类别标签进行预测，得到每个无标记样本的预测类别；

(9)输出待分类的极化SAR图像的分类结果图和分类精度：根据有标记样本和预测出类别的无标记样本，输出待分类的极化SAR图像的最终分类结果并计算本次分类的精度。