[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

说明书

本发明提供一种面向单视全极化SAR数据的集成迁移学习分类方法，采用全图分割和局部开窗分割，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调整训练评判器模型所用源域样本分布；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，以扩充目标域有标签样本量并训练新弱分类器；通过迭代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。本发明能够显著降低雷达图像分类任务对目标域标签信息的高度依赖，提高分类效率和自动化水平。

技术领域

本发明属于全极化雷达遥感图像处理技术领域，设计一种基于全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar，POLSAR)单视数据进行地物集成分类的迁移学习新方法及系统。

背景技术

遥感技术可以不与目标直接接触而进行远距离观测，是获取区域性地表信息的理想方式。遥感图像监督分类是利用有类别标签的像元样本建立识别模型，从而推断图像中其他像元所属类别的过程，其在土地利用管理、土地覆盖变化等方面有着巨大的应用潜力，能够为了解和规划土地用途、评估自然灾害影响、组织灾区救援与重建等工作提供重要支撑。在各类遥感传感器中，合成孔径雷达(Synthetic Aperture Radar，SAR)以其全天时、全天候的成像优势，成为了整个遥感观测体系中不可或缺的一部分。随着近年来雷达遥感卫星的频繁发射，海量雷达图像为雷达遥感图像处理技术的发展与应用提供了肥沃的土壤，同时也对雷达图像处理的自动化水平提出了严峻挑战。目前，雷达图像的产出速度与雷达图像的解译处理效率已存在严重的不匹配现象：在监督分类方面，有标签样本最直接的获取方式是在卫星过境观测期间，同步或近同步地开展实地调绘工作，但这种方式效率较低、耗资较大，且部分区域地形地势险峻，难以到达；另一种替代的方式是对雷达影像进行目视解译，但由于SAR的微波工作频段和特殊的侧视成像方式，其影像迥异于常规可见光图像，导致目视解译非常依赖于专家知识。考虑到存档图像中已有丰富的历史标签信息，若能将历史标签样本迁移至新的雷达数据进行类别信息共享，辅助完成当前分类任务，则可大大降低对当前待分类影像中的标签信息需求，提高雷达图像解译自动化程度。然而，现阶段的迁移学习技术主要是聚焦于常规的模式识别任务，未能结合遥感图像中的空间上下文信息和雷达散射矢量数据特性设计算法，直接用在SAR图像中易引起负迁移效应；此外，全极化合成孔径雷达(POLSAR)采用多通道形式获取地物目标后向散射信息，分类结果极易受斑点噪声影响。降低噪声影响的常用方式是采用多视处理，即利用空域集合平均求取散射矢量的二阶统计量作为分类器的输入特征，但这种处理人为地降低了空间分辨率，损失了大量空间细节。

发明内容

本发明的目的即在于直接使用POLSAR单视复散射矢量数据，并通过引入雷达图像空间上下文信息和散射矢量相似性系数建立集成迁移学习模型，利用大量历史数据中的有标签样本辅助极少量当前数据中的有标签样本完成地物分类。

本发明的技术方案提供一种面向单视全极化SAR数据的集成迁移学习分类方法，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。

而且，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；