[发明专利]一种基于半监督卷积神经网络的极化SAR分类方法

说明书

本发明公开了一种基于半监督卷积神经网络的极化SAR分类方法，首先输入图像数据，超像素分割；提取训练样本和测试样本；采用近邻保持和稀疏滤波的深度学习网络NDSFN对卷积神经网络的参数进行无监督预训练，得到所需的滤波器集合；通过卷积操作得到特征图；通过下采样对特征图进行模糊；根据第二个卷积层的滤波器尺寸调整NDSFN的参数设置得到新的特征图；利用Softmax分类器对训练样本进行图像分类；采用少量标记样本进行微调，得到极化SAR地物分类，本发明通过构建新颖的半监督卷积神经网络SNCNN模型，有效解决了传统的有监督卷积神经网络对有标记样本的需求较大的问题。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于半监督卷积神经网络的极化SAR分类方法，可用于环境监测、地球资源勘测和军事系统等。

背景技术

机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。在极化SAR图像分类领域，机器学习已经有了许多突破性的进展，例如Wishart maximumlikelihood(WML)，支持矢量机(support vector machines，SVM)等方法。

常见的机器学习方法大都运用人工提取特征的方法，费时费力，且不一定能够取得令人满意的特征。深度学习是机器学习研究中的一个新的领域，它是一种模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据。对于极化SAR图像分类，深度学习网络能够自主地从极化SAR数据中学习到更为抽象的高层表示属性或者特征，学习到的特征可以更有效地运用到地物分类、环境监测等研究。

卷积神经网络是一种经典的深度学习网络模型。它有着自己独特的局部感受野、权值共享以及下采样等结构，可以有效地减少网络的整体参数数量，极大的方便了网络参数的调节。卷积神经网络可以将图像以二维矩阵的形式直接输入到网络进行运算，对于多维的图像块，只需要提供多个输入通道，这样的特点使得其在图像处理领域有着突出的优势。我们不需要对待输入的图像数据进行过多的前期处理，保留了图像的空间结构也降低了人工重建数据的复杂度。卷积神经网络能够自主地对训练数据进行特征提取，作为一种有效的特征提取方法在分类器的作用下可以取得了不错的研究结果，卷积神经网络有着出色的范化能力，已经在多个领域得到了广泛的应用。

极化SAR地物分类在在环境监测、地球资源勘测、军事系统等领域有着广泛的应用前景。考虑到卷积神经网络在图像分类中有着明显的优势，我们将传统的卷积神经网络应用于极化SAR地物分类，但是传统的卷积神经网络是一种有监督的分类模型，需要大量的有标记样本对网络参数进行调节，才能得到性能较为稳定的网络，当标签样本较少时，网络会因为训练不够充分而导致较差的分类精度。不同于人脸、手写体等图像数据，极化SAR数据的每个像素代表一个样本点，所以在提取样本时需要进行特殊的操作。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于半监督卷积神经网络的极化SAR分类方法，提高地物分类正确率，解决了传统的有监督卷积神经网络对有标记样本的需求较大，在拥有较低标签数据时分类精度不高的技术问题。

本发明采用以下技术方案：

一种基于半监督卷积神经网络的极化SAR分类方法，首先输入图像数据，超像素分割；提取训练样本和测试样本；采用近邻保持和稀疏滤波的深度学习网络NDSFN对卷积神经网络的参数进行无监督预训练，得到所需的滤波器集合；通过卷积操作得到特征图；通过下采样对特征图进行模糊；根据第二个卷积层的滤波器尺寸调整NDSFN的参数设置得到新的特征图；利用Softmax分类器对训练样本进行图像分类；采用少量标记样本进行微调，得到极化SAR地物分类。

优选的，包括以下步骤：