[发明专利]顾及特征优化的极化SAR图像半监督分类方法

摘要

本发明公开一种顾及特征优化的极化SAR图像半监督分类方法，首先采用精致极化LEE滤波方法滤波，再提取极化特征，组合成原始特征集并作归一化处理；选取初始训练样本集和无标签集合，在初始训练样本集下，通过混合编码遗传算法进行特征选择和分类器参数优化；重新构建训练样本集和无标签样本集；训练分类器，从无标签样本集中选取候选集；利用训练的SVM分类器对候选集进行标注，选取置信度高的样本点扩充至训练样本集；重复训练分类器直到学习结束；将最终训练的SVM对整幅图像进行分类，得到分类专题图。此种分类方法一方面能自适应提取更有效的特征，改善半监督分类效果；一方面能提高了自训练学习的效率，并有效地避免错误累积。

主权项

一种顾及特征优化的极化SAR图像半监督分类方法，其特征在于包括如下步骤：(1)读入一幅待分类的极化SAR图像，采用精致极化LEE滤波方法对待分类的图像进行滤波，去除斑点噪声，得到去噪后的极化SAR图像；(2)从去噪后的极化图像的相干矩阵T、协方差矩阵C、散射矩阵S中提取极化特征，将提取的所有特征组合成原始特征集并作归一化处理；(3)根据极化SAR图像的地物分布参考图，人工选取少量样本作为初始训练样本集L＇，随机从图中选取大量未标记样本作为无标签样本集U＇；(4)在初始训练样本集L＇下，通过混合编码遗传算法进行特征选择和分类器参数优化；(5)根据选择的特征重新构建训练样本集L和无标签样本集U；(6)利用训练样本集L和优化的分类器参数训练SVM分类器；(7)利用模糊聚类算法从无标签样本集U中选取候选集H；(8)利用训练的SVM分类器对H进行标注，选取置信度高的样本点扩充至训练样本集L；(9)再次执行步骤(6)至步骤(8)直到满足学习结束的条件；(10)将最终训练的SVM分类器对整幅图像进行分类，得到分类专题图。