CN105224949A - 基于跨领域迁移学习的sar图像地物分类方法 - Google Patents

Abstract

本发明提供一基于跨领域迁移学习的SAR图像地物分类方法，采用跨领域迁移学习算法，借用源域的先验SAR图像数据，建立分类模型适应性地用于另一幅相似但不相同的目标域SAR图像的分类，减少了目标域SAR图像标签获取成本。本发明中每一次训练集的优化更新只保留支持向量作为训练集的机制能够大幅度减少训练集的冗余样本数量，能够有效缓解SVM分类器受限于计算量和存储量的问题；通过引入未能成为支持向量的目标域样本回收利用机制，能够重复高效的利用目标域样本，以不断调整并修正分类面；同时通过删除未能成为支持向量的源域样本，能减少与目标域分布不匹配的源域训练样本数目，能获得更加准确的分类结果，收敛性更优。

Description

基于跨领域迁移学习的SAR图像地物分类方法

技术领域

本发明涉及图像处理技术领域，特别涉及合成孔径雷达(SyntheticApertureRadar，SAR)图像地物分类方法。

背景技术

合成孔径雷达图像分类是利用不同地物样本的灰度、纹理、形状、边缘和方向等特征信息在SAR图像中确定其类别，将不同种类地物进行区域划分的图像处理技术。由于SAR成像的特殊性，使得SAR图像与光学图像有很大的不同，例如SAR图像包含更多的冗余信息，存在斑点噪声，SAR目标对方位角十分敏感等。所以，如何从SAR图像中准确分类地物一直是SAR图像解译的难点。

随着SAR图像分辨率不断提高，目标信息呈现爆炸性增长，传统的SAR图像监督分类问题需要待分类图像与源图像的分布相同，依赖使用大量带标记的观测数据建立分类模型，然而获取可靠的标记数据的难点有(1)实地考察方式受限于空间范围和地区可访问性，代价昂贵。同时，实地考察获得的训练集通常只包含场景的少量代表性样本，而场景局部区域的类别特征可能存在的较大差异，从而影响到获取类别标签的可靠性和翔实性。(2)视觉解译方式较为主观，且选择的像素点往往出现在空间上相邻的基团内，导致训练集高度冗余且有可能包含噪声数据和离群冲击类数据，降低分类器的性能。(3)每对一幅SAR图像进行分类，都需要重新采集其标记样本，致使分类成本进一步加剧。

跨领域迁移学习(DomainAdaption，DA)方法是机器学习中一个非常活跃的研究领域，具备降低分类标签获取成本的能力，目前正被衍生应用到SAR图像分类方法中。针对SAR图像分类问题而言，它描述由一幅给定图像(源域)训练得到的监督分类器适应性地应用到另一幅相似但不相同的图像(目标域)的分类问题上。能够适应性地对相似但不相同的图像进行处理属于跨领域迁移。跨领域迁移学习的主要思想是迭代地向训练集加入目标域最小数量的最有用的数据，并且给出他们的标签。这样，分类系统利用已有的信息(源域的标记的样本)最大限度地减少了目标域需要被标记的样本数量，从而减少了目标域训练集标记样本的代价。

跨领域迁移学习能获取最能代表源域分布的样本集(特征集)并作为初始训练集，具体方法为：

从源域特征图像中随机提取少量样本进行主动学习。将源域特征样本随机分配为分为D_S_AL和D_S_Test两部分，其中D_S_AL由D₁和D₂两部分组成，D₁作为原始训练集T，D₂作为未标记样本池U，利用D_S_AL训练分类器使得D_S_Test获得最大分类准确率，操作步骤为：

1.由原始训练集T训练SVM分类器G；

2.利用SVM分类器G对未标记样本池U的样本进行地物分类；

3.进入自适应循环，每轮的迭代计算步骤为：

3-1从未标记样本池U中，由Q询问得一组样本,询问机制采用BT(BreakingTieStrategy)准则，计算如下公式：

$X_{BT}=\arg \underset{x_{i\∈U}}{\min }\left(\underset{cl\∈\mathrm{\Ω}}{\max }p\right(y_i=cl|x_i)-\underset{cl\∈\mathrm{\Ω}\backslash {\mathrm{cl}}^{+}}{\max }p(y_i=cl|x_i\left)\right)$

其中，X_BT表示由BT准则选择出的最有信息量的样本……，p(·)表示样本分布概率，是样本x_i最可能归属的类别，argmin表示取当目标函数最小时样本x_i，Ω＝{cl₁,......cl_m}是包含m个的类别种类标签的集合。当时，样本被正确地分为cl⁺的可能性极大，反之，当与差值最小时，样本最有可能被误分类，因此通过求取当使得与差值最小的像素点，能获得最有信息量的样本。

3-2由监督器S对询问得到的样本进行人工标记；

3-3向训练集T中加入新的带有标记的样本；

3-4重新训练SVM分类器G，判断是否达到停止条件，如否返回步骤3-1，如是，则迭代停止；

4.得到最终的训练集T，并训练集T利用对SVM分类器进行训练。

支持向量机分类器(SupportVectorMachine，SVM)是一种常见的监督型分类器，通过寻求结构化风险最小来提高泛化能力，实现经验风险和置信范围的最小化，具备在统计样本量较少的情况下，亦能获得良好统计规律的能力。然而SVM在DA中会随着向训练集加入目标域的有用数据增多，SVM的计算量和存储量将会增大，SVM将受到低维线性不可分向量向高维线性可分向量映射过程中带来的计算量和存储量的限制。

发明内容

本发明所要解决的技术问题是，提供一种缓解SAR图像标签数据获取成本的SAR图像地物分类方法。

本发明为解决上述技术问题所采用的技术方案是，基于跨领域迁移学习的SAR图像地物分类方法，包括以下步骤：

步骤1：对输入的源域以及目标域的SAR图像分别进行归一化，并进行特征提取；

步骤2：使用跨领域迁移学习方法训练SVM分类器并保留成为支持向量的特征组成初始训练集；

步骤3：对目标域的SAR图像的特征进行自适应地物分类：

3-1利用当前的SVM分类器对目标域的SAR图像的特征进行分类，之后判断是否满足迭代停止条件，如是则将当前分类结果作为最终地物分类结果，如否，则进入步骤3-2；

3-2对当前的训练集进行优化：保留当前训练集中的支持向量中的特征；直接删除训练集中的非支持向量中来自源域的特征，再根据BT准则从目标域未标记样本池中选择特征并特征标记后加入训练集；最后，取消训练集中的非支持向量中来自目标域的特征的标记并将该特征放回目标域未标记样本池中；

3-3利用优化后的训练集重新训练SVM分类器后返回步骤3-1。

本发明采用跨领域迁移学习算法，借用源域的先验SAR图像数据，建立分类模型适应性地用于另一幅相似但不相同的目标域SAR图像的分类，减少了目标域SAR图像标签获取成本，提高了算法的执行效率。由于SVM分类器的分类面仅由其支持向量构成，同时，落入两个函数间隔面之间的样本点更有可能被赋予非零的拉格朗日参数，对分类面的位置造成更加突出的影响。因此，每一训练集的优化更新只保留支持向量作为训练集的机制能够大幅度减少训练集的冗余样本数量，能够有效缓解SVM分类器受限于计算量和存储量的问题。本发明通过引入未能成为支持向量的目标域样本回收利用机制，能够重复高效的利用目标域样本，以不断调整并修正分类面。同时通过删除未能成为支持向量的源域样本，能减少与目标域分布不匹配的源域训练样本数目，能获得更加准确的分类结果，收敛性更优。最后，本发明可以通过设置相应的提取特征的方式而保留跨领域迁移学习的框架来适用于各种场景的SAR图像分类，通用性强。

本发明的有益效果是，针对SAR图像，将跨领域迁移学习的方法引入到地物分类中，解决传统监督型SAR图像分类标签难以获得的问题，降低分类成本，同时有利于获得更优的分类结果。

具体实施方式

一种基于跨领域迁移学习的SAR图像分类方法，包括以下步骤：

步骤1：对输入的源域以及目标域的SAR图像分别进行归一化，并进行特征提取：

将占原图0.3％的离群像素点值修正为[P_min,P_max]大小范围中。其中低于P_min的像素值被人为修订为P_min，高于P_max的值被人为修订为P_max，再映射到[0,255]像素区间内，以获得清晰的图像。

比如，将大小为500×250像素源域以及目标域原图0.3％的离群像素点值修正为[0,0.02]大小范围中。其中，高于0.02的值被人为修订为0.02。

对归一化后的源域和目标域每个像素点分别提取48维Gabor小波特征作为特征向量，得到源域和目标域的两个特征矩阵。本领域技术人员也可以根据实际需要使用其它特征提取方法进行特征提取。

步骤2：获取获得最能代表源域分布的样本集并作为初始训练集：

从源域特征图像中随机提取少量样本(特征)进行主动学习。将源域特征样本随机分配为D_S_AL和D_S_Test两部分，D_S_AL＝6339×48，D_S_Test＝118661×48，D_S_AL分为D₁和D₂两部分，其中D₁作为原始训练集T，D₁＝479×48，D₂作为未标记样本池U，D₂＝5860×48，通过迭代利用D_S_AL训练分类器使得D_S_Test获得最大分类准确率，将最终的训练集T对SVM分类器进行训练，并保留其中成为支持向量的部分作为初始训练集T₀＝2979×48；

步骤3：对目标域样本进行跨领域主动学习，由初始训练集开始进入自适应分类循环，获取最终的分类结果，具体迭代步骤为：

3-1利用当前的SVM分类器对目标域的SAR图像的特征进行分类，之后判断是否满足迭代停止条件，如是，则将当前分类结果作为最终地物分类结果，如否，则进入步骤3-2；本实施例的迭代停止条件为迭代次数

3-2对当前的训练集进行优化：保留当前训练集中的支持向量中的特征；直接删除训练集中的非支持向量中来自源域的特征，再根据BT准则从目标域未标记样本池中选择特征并由SVM自动标记后加入训练集；最后，取消训练集中的非支持向量中来自目标域的特征的标记并将该特征放回目标域未标记样本池中；SVM自动标记是SVM算法自动给出特征归属每一类的概率，选择最大的概率给出的标签；

3-3利用优化后的训练集重新训练SVM分类器后返回步骤3-1。

经试验验证，未进行训练集优化的基于跨领域迁移学习的SAR图像分类方法对图像进行分类的结果准确率大致在67％左右，采用了本发明训练集优化的分类方法达到80％的准确率，同时，和采用了本发明训练集优化的分类方法相比，未进行训练集优化的方法会丢掉更多地物信息。

Claims (1)

1.基于跨领域迁移学习的SAR图像地物分类方法，其特征在于，包括以下步骤：

步骤1：对输入的源域以及目标域的SAR图像分别进行归一化，并进行特征提取；

步骤2：使用跨领域迁移学习方法训练SVM分类器并保留成为支持向量的特征组成初始训练集；

步骤3：对目标域的SAR图像的特征进行自适应地物分类：

3-1利用当前的SVM分类器对目标域的SAR图像的特征进行分类，之后判断是否满足迭代停止条件，如是，则将当前分类结果作为最终地物分类结果，如否，则进入步骤3-2；

3-2对当前的训练集进行优化：保留当前训练集中的支持向量中的特征；直接删除训练集中的非支持向量中来自源域的特征，再根据BT准则从目标域未标记样本池中选择特征并标记后加入训练集；最后，取消训练集中的非支持向量中来自目标域的特征的标记并将该特征放回目标域未标记样本池中；

3-3利用优化后的训练集重新训练SVM分类器后返回步骤3-1。