[发明专利]一种基于极化统计散射成分的跨域SAR图像地物分类方法

说明书

本发明提供一种基于极化统计散射成分的跨域SAR图像地物分类方法。本发明读入源域极化SAR影像标注样本和无标注目标域极化SAR影像数据；分别获取源域的标注样本的统计散射成分特征，和无标注目标域数据的统计散射成分特征；利用子空间对齐的方式将上述源域统计散射成分特征和目标域统计散射成分特征对齐，获取源域对齐于目标域的特征；利用已有的源域标签和源域对齐特征训练分类器模型；利用训练好的分类器模型直接对无标注的目标域特征进行分类，获取目标域的分类结果，即可实现利用异源异场景的标注样本对无标注目标域数据进行样本复用的非监督跨域分类效果。

技术领域

本发明属于全极化合成孔径雷达图像解译技术领域，尤其涉及一种基于极化统计散射成分的跨域SAR图像地物分类方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)不仅具有全天时、全天候、穿透强等特点，而且其多极化、高分辨率的发展趋势，使得SAR在对地观测应用中发挥着越来越重要的作用。随着国内外多种高分辨率、多极化SAR系统的投入使用，海量的多模式(包括多传感器、多种数据源、多入射角)SAR影像为对地观测应用提供了丰富的数据来源，然而多模式SAR影像数据之间的目标统一表征也为SAR影像解译带来新挑战。由于数据源载体、入射角、极化方式、分辨率等差异，异场景/异源SAR数据之间存在的类别分布偏移阻碍了机器学习方法在SAR影像大规模泛化应用。通常表现在异场景/异源的SAR数据解译往往需要单独训练模型，具有类似场景的训练模型和标注样本难以迁移。另一方面，SAR样本标注成本较高且精确的标注信息较难获取，如何充分利用有限的样本获取SAR影像中更丰富的地物目标信息或实现异场景/异源的跨域SAR样本复用，也是SAR影像解译中亟待解决的难题。

跨域解译是近年来遥感影像处理研究的热点和难点之一，其目的是将已存在的训练模型和标注信息迁移应用于新获取的类似场景的数据。由于源域和目标域之间的成像平台、成像季节、分辨率、地物分布等因素导致的域偏移差异(也可称为类别分布差异)，传统的监督方法或深度学习等方法通常无法处理存在域偏移的跨域遥感数据解译。此外，由于SAR成像的特殊性，针对自然图像数据集或者光学遥感数据的跨域方法几乎无法直接在跨域SAR解译中发挥作用。因此，在当前SAR数据量越来越多、标注信息极为有限的情况下，研究适用于SAR数据的跨域解译方法具有重要的理论和实用意义。本发明从极化散射机理对不同PolSAR数据的普适性和可理解性为出发点，针对异源/异场景PolSAR数据域分布偏移导致的样本难以复用问题，研究基于极化散射机理的异源/异场景PolSAR数据域适应解译。

发明内容

现有监督方法和深度学习分类方法只能处理同场景下的同源数据样本使用监督分类，本发明针对不同源不同场景下的异源极化SAR数据样本难以复用的问题，提出一种基于极化统计散射成分的跨域SAR图像地物分类方法，包括以下步骤，

步骤1，引入源域S的极化SAR影像标注样本数据、源域S的无标注目标域T极化SAR影像数据；

步骤2，通过统计散射成分特征获取方式分别获取源域S的极化SAR影像标注样本数据的统计散射成分特征Fs、源域S的无标注目标域T极化SAR影像数据的统计散射成分特征F_T；

步骤3，将源域S的极化SAR影像标注样本数据的统计散射成分特征Fs、源域S的无标注目标域T极化SAR影像数据的统计散射成分特征F_T，利用子空间对齐的方式进行对齐，获取源域对齐于目标域的特征Fs^*；

步骤4，利用已有的源域标签Y_S和源域对齐特征Fs^*训练分类器分类模型W；

步骤5，利用训练好的分类器模型W直接对无标注的目标域特征F_T进行分类，获取目标域的分类结果，实现利用异源异场景的标注样本对无标注目标域数据进行样本复用的非监督跨域分类效果。

作为优选，步骤1所述源域S极化SAR影像标注样本数据为：