[发明专利]面向单视全极化SAR数据的集成迁移学习分类方法及系统

权利要求书

1.一种面向单视全极化SAR数据的集成迁移学习分类方法，其特征在于：采用全图分割和局部开窗分割的方式，利用图像空间上下文信息浓缩源域有标签样本量和扩充目标域有标签样本量；然后结合散射矢量相似性系数和适应度函数设置源域有标签样本选取过程，根据目标域类别中心动态调整训练评判器模型所用的源域样本分布；随后引入对弱分类器可靠性的参考信息作为权重因子，采用加权形式利用迁移弱分类器进行类别软预测，给予预测结果一致的目标域无标签像元伪标签，以此扩充目标域有标签样本量并训练新的弱分类器；通过迭代运行，最终利用生成的迁移弱分类器集合完成目标域所有像元的集成分类；

实现过程包括以下步骤：

步骤1，将整景历史存档图像作为源域，对整景历史存档图像进行分割处理，得到源域全部像元的图斑对象索引值；

步骤2，初始化源域有标签样本集合D_S为空，然后遍历源域图斑对象索引值，若具有同一索引值的源域像元具有相同的类别标签c，则取这些像元的复散射矢量均值作为样本值，并以c作为标签，加入至集合D_S；

步骤3，将当前待分类的影像作为目标域，在当前待分类的影像中，以稀少的有标签样本为中心，分别开大小为N_win×N_win的窗口，在各窗口中进行分割处理，得到窗口内像元的图斑对象索引值；其中，N_win为预设的窗口尺寸值；

步骤4，初始化目标域扩充样本集合C为空，然后在步骤3开的各窗口内，找到与窗口中心具有相同索引值的像元，分别取这些像元的复散射矢量作为样本值、中心像元的类别标签作为这些像元的标签，加入至集合C；

步骤5，原始目标域有标签样本集合D_TL仅含稀少的目标域标签样本，将集合C中样本全部加入D_TL中，进行扩充更新；

步骤6，根据D_TL中样本散射矢量值和标签信息，得到目标域中各类别散射中心，计算D_S中源域样本与目标域类别中心间的散射相似性系数r

步骤7，计算D_S中样本在目标域类别中的适应度，规范化后作为样本被选择的概率；随后，根据适应度大小从D_S有放回地选取样本，构建源域样本子集，并与D_TL融合形成融合子集；重复上述过程m次，生成m个融合子集D₁,D₂,…,D_m，其中m为预设的次数；

步骤8，逐个利用融合子集作为独立的训练数据集，训练分类模型作为评判器，构成包含m个评判器的模型集合H；

步骤9，逐个利用H中每个评判器模型独立地对目标域无标签像元样本进行分类，即对每个被分类的像元样本均产生m个预测标签；

步骤10，利用目标域有标签样本集D_TL作为训练数据集，训练新的分类模型作为弱分类器；

步骤11，将步骤10中完全基于目标域样本训练得到的弱分类器加入到迁移弱分类器集合F中，对其进行更新；

步骤12，利用F中每个弱分类器对目标域无标签像元样本进行类别预测，独立地输出预测样本从属于各类别的概率或与各类别中心的距离；

步骤13，遍历全部目标域无标签样本，比较利用H得到的m个预测标签与利用F得到的预测标签是否一致；取共计m+1个预测标签完全一致的样本构成目标域伪标签样本扩充集合C，C中每个样本的标签为其预测标签；

步骤14，判断是否集合F中的弱分类器数量不少于阈值T，或者，集合C中的样本数量不大于阈值N；

若是，则输出迁移弱分类器集合F，进入步骤15；否则，返回到步骤5，再次执行步骤5至步骤14；

步骤15，利用F中弱分类器独立完成剩余目标域无标签像元样本的分类，对各弱分类器预测类别进行多数投票作为最终的样本标签，从而完成了全部目标域像元的分类结果输出。

2.根据权利要求1 所述面向单视全极化SAR数据的集成迁移学习分类方法，其特征在于：步骤1采用POLSRM分割算法实现对整景历史存档图像进行分割处理。