[发明专利]基于多分支网络的半监督极化SAR图像分类方法

说明书

本发明提出了一种基于多分支网络的半监督极化SAR图像分类方法，实现步骤为；构建测试样本集、有标记训练样本集和无标记训练样本集；构建基于多分支网络的半监督极化SAR图像分类模型H；对极化SAR图像分类模型H进行迭代训练；获取PolSAR图像的分类结果。本发明在对图像分类模型进行训练的过程中，高级特征提取模块中的两个网络分别对有标记训练样本和无标记训练样本进行高级特征提取，然后通过三个分类模块进行不同方式的分类，MFB融合模块能够对有标记训练样本的每个第一高级特征与对应位置的第二高级特征进行MFB融合，有效解决了现有技术中的过拟合问题和冗余问题，提升了极化SAR图像分类的精度。

技术领域

本发明属于图像处理技术领域，涉及一种极化SAR图像分类方法，具体涉及一种基于多分支网络的半监督极化SAR图像分类方法。可用于农业发展、海洋监测、城市规划、地质勘探等。

背景技术

合成孔径雷达(synthetic aperture radar,SAR)对天气条件和光照条件不敏感，同光学遥感相比，SAR不受天气、云层等因素的影响，可以全天候、全天时获得遥感数据。极化SAR(polarimetric synthetic aperture radar,PolSAR)采用水平极化和垂直极化的方式交替发射和接收雷达信号，可以获得更完整更丰富的目标信息，对目标进行更全面的描述。PolSAR图像分类旨在根据PolSAR图像中分类单元之间特性的差异，将PolSAR图像划分为不同的地物类别，在农业发展、海洋监测、城市规划、地质勘探等方面发挥着重要作用。

传统的PolSAR图像分类算法需要依据大量的经验和较强的专业知识来针对特定目标设定特定算法，耗时较长且难以推广。近年来，基于深度学习的PolSAR图像分类方法实现了基于数据驱动的PolSAR图像分类，该方法能够从数据中自主学习提取对分类有效的特征，不需要人工选取特征、设计分类器及较强的专业知识。根据分类过程中是否需要先验知识，基于深度学习的PolSAR图像分类可分为监督分类、无监督分类和半监督分类三大类。半监督分类方法是监督分类和无监督分类相结合的一种分类方法，可以同时使用有标记数据和无标记数据，在获取先验知识的工作量减少的前提下，又能够带来比较高的分类精度。比如自训练算法和联合训练算法，它们都是使用有标记数据作为训练集进行监督训练，得到分类器，然后使用这个分类器对无标记数据进行分类，根据分类结果，选择可信度高的无标记样本及其预测标记加入训练集，扩充训练集规模，重新监督训练得到新的分类器。

例如申请公布号为CN112966779A，名称为“一种PolSAR影像半监督分类方法”的专利申请，公开了一种PolSAR影像半监督分类方法。该方法在少量有标记训练样本的基础上，利用Wishart分类器、SVM分类器和CV-CNN模型分别对PolSAR图像进行分类，分类结果再进行多数投票，产生强数据集和弱数据集，将强数据集作为伪标签，用三种分类器对弱数据集进行重新分类，通过多数投票的方式对三种分类结果进行整合，最后将强数据集与重分类结果相结合，得到最终分类结果。该方法所采用的联合训练算法，充分利用了各分类器的优势，获得了更高的分类精度，但仍存在只使用少量有标记数据训练网络导致的过拟合问题和多数投票的多分类器融合算法导致的冗余问题，因此PolSAR图像分类的精度依然较低。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出了一种基于多分支网络的半监督极化SAR图像分类方法，用于解决现有技术中存在的分类精度较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取测试样本集D^test、有标记训练样本集和无标记训练样本集