CN107358142A - 基于随机森林构图的极化sar图像半监督分类方法 - Google Patents
基于随机森林构图的极化sar图像半监督分类方法 Download PDFInfo
- Publication number
- CN107358142A CN107358142A CN201710341085.3A CN201710341085A CN107358142A CN 107358142 A CN107358142 A CN 107358142A CN 201710341085 A CN201710341085 A CN 201710341085A CN 107358142 A CN107358142 A CN 107358142A
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- random forest
- msub
- similarity relation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
发明公开了一种基于随机森林构图的半监督极化SAR图像分类方法。主要解决了已有的分类方法中表示样本点之间相似关系的不足，未利用空间信息的问题。其步骤为：输入极化SAR图像原始数据；提取数据的相关特征，得到数据集；构建初始随机森林模型；利用两个不同属性样本集训练两个分类器，用于协助训练半监督随机森林模型；优化半监督随机森林模型；构建相似关系图；构建空间信息图；合并相似关系图和空间信息图得到样本点之间的相似关系矩阵；对图像进行分类并计算正确率。本发明利用半监督随机森林算法构建出更加亲和的相似关系图和空间信息，提高了极化SAR图像的分类正确率。用于地质勘探，抢险救灾，目标识别等民用和军用领域。
Description
技术领域
本发明属于图像处理技术领域，主要涉及极化SAR图像分类，具体是一种基于随机森林构图的极化SAR图像半监督分类方法，可用于对极化SAR图像的地物分类和目标识别。
背景技术
极化SAR是一种是利用合成孔径原理，实现高分辨的微波成像雷达，不但具有全天候、全天时、分辨率高、可侧视成像等优点，同时SAR影像具有丰富的细节信息，重要的纹理特征和明显的地物几何结构，可广泛应用于军事、农业、导航、地理监视等诸多领域。在国际遥感领域受到高度重视，因此极化SAR图像分类已成为极化SAR信息处理的一个重要研究方向。
极化SAR图像分类的目的是利用机载或星载极化SAR传感器获得的极化测量数据，根据像素点的性质，确定每个像素点所属的类别。它是图像解译技术的一项重要内容，是其它应用的基础。随着极化SAR在生活军事中的应用越来越广泛，对于极化SAR图像分类的精确度要求也越来越高，在已有的一些极化SAR图像的分类方法中，有的仅仅只是利用了标签数据的信息来进行分类，比如监督的分类方法，比如KNN方法。为了结合利用标签数据和无标签数据的信息来进行分类，有学者提出了半监督的分类方法，应用比较多的包括基于图的半监督方法，例如基于锚点图的半监督分类方法，该方法通过计算图像样本点之间的距离来进行构建锚点图矩阵，然而极化SAR数据是非线性的，单纯的计算图像样本点之间的距离来表示样本点间的相似关系并不准确。上述方法都是首先使用有标签样本和无标签样本作为顶点来构建一个图模型，给每一对顶点之间的边都赋予一个权值，权值表示两个样本点之间的相似度。之后，根据优化函数即分类器通过边将有标记样本的类别标签传递给无标记样本，从而对无标记样本进行分类。在核低秩图中，首先是找出数据集中每个样本点的k个近邻点，然后计算样本点的局部重建权值矩阵。在锚点图中，首先通过聚类方法或者是随机选取一部分样本点构成一个锚点集，然后计算锚点和原始样本之间的相似图矩阵，超图则是将若干个数据点一起考虑，用一条边将它们连在一起。
在上述图模型的构建中，图像中样本点相似关系的强弱通常是通过计算两个数据点之间的距离来表示，然而这种单纯的计算数据之间距离的方法在一定程度上并不能很准确的表示具有非线性结构的SAR数据之间的结构关系，而且并没有考虑图像样本点之间的空间信息，导致分类的效果比较差。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种分类正确率更高的基于随机森林构图的极化SAR图像半监督分类方法，将监督的随机森林模型改进为半监督随机森林模型，大大减少了标签的使用，利用适合于具有非线性特点极化SAR数据的随机森林方法进行构图，以加强图的亲和性，另外加入了图像像素样本点的空间信息，从而提高了图像的分类正确率。
1、一种基于随机森林构图的极化SAR图像半监督分类方法，其特征在于，包括有如下步骤：
(1)输入图像：从极化SAR图像数据中获取极化SAR图像的原始数据。
(2)特征提取：对输入的极化SAR原始数据其进行分解，提取数据的相干T特征、Cloud 特征、Freeman特征、Span特征，得到一共15维的数据集X。
(3)构建初始随机森林：将数据集X随机打乱，分别构建属性集，其中第一个属性集为X1，包含相干T特征、Cloud特征、Span特征，第二个属性集为X2，包含相干T特征、 Freeman特征；构建初始森林为F0，选取每类1％的样本作为标签样本集，记为Xl，其余的为无标签样本集，记为Xu，将标签样本的损失和无标签样本的损失结合,对无标签样本和标签样本采用同一个损失函数来构建初始随机森林模型F0。
(4)训练半监督随机森林模型：初始化训练迭代次数S＝0，从标签样本选取s个标签样本分别训练两个分类器，用第一个属性集X1中的s个标签样本训练第一个KNN分类器f1，用第二个属性集X2中的s个标签样本训练第二个KNN分类器f2，对于每一个无标记样本，若两个分类器对它进行分类的结果一致，则该无标记样本为置信度高的样本，取所有的置信度高的无标签样本，给予各自一个标签值，将其加入到标签集Xl中，更新标签样本集，然后将更新后的标记样本集作为训练集对随机林模型Fs进行半监督训练。
(5)优化半监督随机森林模型：采用确定性退火过程(Deterministic Annealingprocess，DA)
来进行最优化处理，通过引进一个无标签数据的类标分布概率将无标签数据的部分添加到优化目标中；给定一个整体模型的数据误分率初始值:来控制优化，进行一次优化后计算整个袋外数据误分率当时，停止优化，否则进行下一次优化，转到步骤(4)，更新退火温度Ts+1＝0.9Ts，训练迭代次数S＝S+1；直至得到了最优的随机森林模型。
(6)用随机森林模型构建相似关系图：利用训练好的随机森林模型对图像中的标签样本和无标签样本进行构建相似关系图，得到一个相似关系图矩阵W；利用适合于具有非线性特点极化SAR数据的随机森林方法进行构图，因此得到的相似关系图矩阵W具有更好的亲和性。
(7)构建空间信息图：对于图像中每一个像素样本点，它和周围前后左右的四个像素样本点相似关系取值为1，与其它像素样本点相似关系则取值为0，构建空间信息图矩阵G。
(8)合并相似关系图和空间信息图：相似图矩阵W和空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系的图矩阵Z＝W+λG，其中λ∈(0,1)。
(9)对极化SAR图像进行分类并计算分类正确率：将已经得到的相似关系图矩阵Z用于图保持的半监督分类方法中对极化SAR图像进行分类，得到每个像素点分类后的类别标签矩阵Y；根据类别标签矩阵Y对每个像素点进行着色，输出分类后的的图像，并计算分类正确率。
本发明的技术思路是：结合两个KNN分类器将监督的随机森林模型改进为半监督的随机森林模型，利用确定性退火方法对其进行优化，得到最优的半监督随机森林模型，利用半监督的随机森林模型对图像像素样本点进行构建相似关系图矩阵W，然后利用图像像素样本点的空间信息构建空间信息图矩阵G，合并相似关系图矩阵W和空间信息图矩阵G得到最终的相似关系图矩阵Z，最后将相似关系图矩阵用于图保持方法中对极化 SAR图像进行分类。
与现有技术相比，本发明的优点是：
1，本发明通过利用两个KNN分类器将监督的随机森林方法改进为半监督的随机森林方法。一方面减少了标签样本的使用，而且充分的利用了无标签样本的信息，在一定程度上提高了极化SAR图像的分类正确率。
2，在进行构图时，本发明利用随机森林算法，通过比较图像样本点在随机森林决策树中的分类路径是否相同来判定样本点之间是否相似，从而构造图像样本点之间的相似关系图。相比于利用图像样本点之间的距离来表示样本点之间的相似关系，本发明方法更能适应极化SAR数据的非线性特点。因此构建的相似关系图更加亲和，有助于极化SAR图像的分类。
3，本发明考虑了图像样本点之间的空间信息，利用样本点之间的空间近邻关系构造出一个空间信息图，结合2中构造的图像像素样本相似关系图，进一步提高图像的分类正确率。
附图说明
图1本发明的实现流程图；
图2已有方法和本发明方法的实验结果图，图2(a)是本发明方法和已有的对比算法用来实验的原始图，即Pauli图；图2(b)是原始图对应的标准图，也是仿真极化SAR图像标签图；其中图2(c)是由KNN方法对图2(a)进行分类的结果图；图2(d)用Hyper方法对图2(a)进行分类的结果图；图2(e)是采用SSA方法对图2(a)进行分类的结果图；图2(f) 是本发明方法对图2(a)进行分类的结果图。
具体实施方式
下面结合附图对本发明详细说明
实施例1
因遥感技术的发展，在环境监测、地球资源勘测、军事系统等领域有着广泛的应用，对极化SAR图像处理的需求也不断加大，现有的一些极化SAR分类方法，包括有监督的分类方法，分类正确率较低，还有一些基于图的半监督的方法，大都是通过计算图像样本点之间的距离来进行构建相似关系图矩阵，然而极化SAR数据是非线性的，这种构图方法相似关系并不准确。因此，本发明提出一种基于随机森林构图的极化SAR图像半监督分类方法，参见图1，包括如下步骤：
(1)输入图像：从极化SAR图像数据文件夹中获取极化SAR图像的原始数据。如果在实际应用中，利用PolSAR软件先将图像读入，然后把图像中的每个像素点处理成数据文件，将图像的原始特征以文件的形式存储起来。
(2)特征提取：对输入的极化SAR原始数据其进行分解，提取数据的相干T特征、Cloud 特征、Freeman特征、Span特征，得到一共15维的数据集X。
(3)构建初始随机森林：将数据集X随机打乱，分别构建属性集，其中第一个属性集为X1，包含相干T特征、Cloud特征、Span特征，第二个属性集为X2，包含相干T特征、 Freeman特征；构建初始森林为F0，选取每类1％的样本作为标签样本集，记为Xl，其余的为无标签样本集，记为Xu，将标签样本的损失和无标签样本的损失结合,对无标签样本和标签样本采用同一个损失函数来构建初始随机森林F0。
(4)训练半监督随机森林：初始化训练迭代次数S＝0，从标签样本选取s个标签样本分别训练两个分类器，用第一个属性集X1中的s个标签样本训练第一个KNN分类器f1，用第二个属性集X2中的s个标签样本训练第二个KNN分类器f2，并利用这两个分类器协助随机森林进行半监督训练，首先通过两个KNN分类器的协同作用对无标记样本进行分类，对于每一个无标记样本，若两个分类器对它进行分类的结果一致，则该无标记样本为置信度高的样本，取所有的置信度高的无标签样本，给予各自一个标签值，将其加入到标签集Xl中，更新标签样本集，然后将更新后的标记样本集作为训练集对随机林Fs进行半监督训练。
(5)优化半监督随机森林：采用确定性退火过程(Deterministic Annealingprocess，DA)来进行最优化处理，通过引进一个无标签数据的类标分布概率将无标签数据的部分添加到优化目标中；给定一个整体模型的数据误分率初始值:来控制优化，进行一次优化后计算整个袋外数据误分率当时，停止优化，认为已经得到了最优的随机森林模型。否则进行下一次优化，转到步骤(4)，更新退火温度Ts+1＝0.9Ts，训练迭代次数 S＝S+1；直至得到了最优的随机森林模型。
(6)随机森林构建相似关系图：利用训练好的随机森林对图像中的标签样本和无标签样本进行构建相似关系图，得到一个相似关系图矩阵W；得到了相似关系图矩阵W就得到了相似关系图。本发明利用适合于具有非线性特点极化SAR数据的随机森林方法进行构图，因此得到的相似关系图矩阵W具有更好的亲和性。
(7)构建空间信息图：对于图像中每一个像素样本点，它和周围前后左右的四个像素样本点相似关系取值为1，与其它像素样本点相似关系则取值为0，从而得到一个表示整个图像样本点之间空间位置关系的图矩阵，记为空间信息图矩阵G。
(8)合并相似关系图和空间信息图：将步骤(6)中的相似图矩阵W和步骤(7)中的空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系的图矩阵Z＝W+λG，其中λ∈(0,1)。
(9)对极化SAR图像进行分类并计算分类正确率：将已经得到的相似关系图矩阵Z用于图保持的半监督分类方法中对极化SAR图像进行分类，得到每个像素点分类后的类别标签矩阵Y；根据类别标签矩阵Y对每个像素点进行着色，输出分类后的的图像，并计算分类的正确率。
随着极化SAR的应用越来越广泛，对于极化SAR图像分类的精确度要求也越来越高，在已有的一些极化SAR图像的分类方法中，比如监督的分类方法，效果很差，为了结合利用标签数据和无标签数据的信息来进行分类，一些基于图半监督的分类方法被提出，这些方法通过计算图像样本点之间的距离来进行构建锚点图矩阵，然而极化SAR数据是非线性的，单纯的计算图像样本点之间的距离来表示样本点间的相似关系并不准确。本发明通过采用改进的半监督随机森林的方法，利用图像样本点自身属性在随机森林决策树中分裂的路径来指导构建图像像素样本点之间的相似关系图矩阵，这样得到的相似关系图矩阵更加符合极化SAR数据的非线性特征。从而提高了极化SAR图像的分类正确率。
实施例2
基于随机森林构图的极化SAR图像半监督分类方法同实施例1，本发明步骤(4)中训练半监督随机森林的过程如下：
4a、初始化训练迭代次数S＝0，从标签样本选取s个标签样本分别训练两个分类器，s 的取值根据图像实际尺寸的大小而定，本实施例中s＝80；
4b、用第一属性集X1中选取的80个标签样本训练第一个KNN分类器f1，用第二属性集X2中选取的80个标签样本训练第二个KNN分类器f2；
4c、利用这两个分类器协助随机森林模型进行半监督训练。利用两个分类器协助随机森林模型进行训练是为了保证训练的效率，相对于使用一个分类器训练而言更加高效准确。首先通过两个KNN分类器的协同作用对无标记样本进行分类，对于每一个无标记样本，若两个分类器对它进行分类的结果一致，则说明该无标记样本为某类的可能性很大，则该无标记样本为置信度高的样本，取所有的置信度高的无标签样本，给予各自一个标签值，将其加入到标签集Xl中，更新标签样本集，然后将更新后的标记样本集作为训练集对随机林模型Fs进行训练。得到新的随机森林模型Fs+1。
在本发明中，更新后的标签样本集中，既包含原本为有标签的样本，也包含原本为无标签的样本，因此利用更新后的标签集训练的随机森林模型为半监督的随机森林模型。
实施例3
基于随机森林构图的极化SAR图像半监督分类方法同实施例1-2，步骤(5)中优化半监督随机森林的过程如下：
5a、本发明采用确定性退火过程(Deterministic Annealing process，DA)来进行最优化处理，通过引进一个无标签数据的类标分布概率其中为归一化调整。将无标签数据的部分添加到优化目标中，表达式如下：
求和项第一部分为有标签数据损失，第二项为无标签数据损失的期望，第三项表示为无标签数据分布的信息熵；α为无标签数据损失的期望权重值且α∈[0,1]，在本实施例中取值为0.5，T为退火的温度变量，在本实施例中初始值设定为1,当T为0时，该式化为最初的随机森林模型损失函数；
5b、给定一个整体模型的数据误分率初始值:来控制优化，进行一次优化后计算整个袋外数据误分率当时，停止优化，认为已经得到了最优的随机森林模型。否则进行下一次优化，转到步骤(4)，更新退火温度Ts+1＝0.9Ts，训练迭代次数S＝S+1；直至得到了最优的随机森林模型Fs+1。
本发明通过采用确定性退火方式对半监督随机森林模型进行优化，在该模型中，不仅考虑了有标签数据的损失，还将无标签数据的预测类标损失作为优化目标，并考虑了预测类标概率分布的信息熵，使得优化中不仅保证了期望，而且控制了方差，最大化了所有样本的间隔。
实施例4
基于随机森林构图的极化SAR图像半监督分类方法同实施例1-3，步骤(6)中优化半监督随机森林的过程如下：
6a、在随机森林模型中，每一个决策树的层数相同，假设层数为t，一对数据点(xi,xj)从根节点γ,经过层层的特征分裂，最终到一对数据点(xi,xj)所属的子节点li和lj，一对数据点中的两个数据点xi和xj经过的路径分别表示为：
Qi表示数据点xi的路径，Qj表示数据点xj的路径，γ为决策树的根节点。为数据点xi经过路径上的决策树内部节点；为数据点xj经过路径上的决策树内部节点。
6b、对于每一对数据点(xi,xj)，用表示他们之间的相似关系，所有数据的相似关系构成一个相似图矩阵W，得到了相似关系图矩阵W，就得到了相似关系图，则有：
wij是数据点xi和数据点xj之间的相似关系值。
本发明利用适合于具有非线性特点极化SAR数据的随机森林方法进行构图，因此得到的相似关系图矩阵W具有更好的亲和性。
下面给出一个更加详尽的例子，对本发明进一步说明
实施例5
基于随机森林构图的半监督极化SAR图像分类方法同实施例1-4，参照图1，本发明的具体实施步骤如下：
步骤一、输入图像，从极化SAR图像数据文件夹中获取极化SAR图像的原始数据，参见图2(a),根据极化SAR图像的地物分布信息得到标签矩阵L，参见图2(b)，图2(b) 就是由标签矩阵L直接生成的图像，图像中不同的色块代表不同的地物，同一种地物的分布在标签矩阵中由同样的类别标号表示，如图2最下端图例所示，比如第1个红色块对应的类别标号为1，第2个绿色块对应的类别标号为2，…最后一个蓝色块对应的类别标号为9。
如果在实际应用中，利用处理极化SAR图像的PolSAR软件先将图像读入，然后把图像中的每个像素点处理成数据的形式，将图像的原始数据以文件的形式存储起来，作为极化 SAR图像的原始数据。
本实例使用极化SAR地物仿真图像，大小为120×150，该仿真数据有18000个样本，每个样本对应极化SAR图像上的一个像素点，参见图2(a)。
步骤二、特征提取，对输入的极化SAR原始数据其进行分解，提取数据的相干T特征、 Cloud特征、Freeman特征、Span特征，得到一共15维的数据集n是图像中样本的总个数，xi表示第i个样本。
步骤三、构建初始随机森林模型：将数据集X随机打乱，分别构建属性集，其中第一个属性集为X1，包含相干T特征、Cloud特征、Span特征，第二个属性集为X2，包含相干T特征、Freeman特征；构建初始森林为F0，选取每类1％的样本作为标签样本集，记为Xl，其余的为无标签样本集，记为Xu，将标签样本的损失和无标签样本的损失结合, 对无标签样本和标签样本采用同一个损失函数来构建初始随机森林F0。
步骤四、训练半监督随机森林模型：
4a、初始化训练迭代次数S＝0，从标签样本选取s个标签样本分别训练两个分类器,s的取值根据图像实际尺寸的大小而定，本实施例中s＝100；
4b、用第一属性集X1中选取的100个标签样本训练第一个KNN分类器f1，用第二属性集X2中选取的100个标签样本训练第二个KNN分类器f2，得到了两个训练好的分类器。
4c、利用这两个训练好的分类器协助随机森林模型进行半监督训练：利用两个分类器协助随机森林模型进行训练是为了保证训练的效率，相对于使用一个分类器训练而言更加高效准确。首先通过两个训练好的KNN分类器的协同作用对无标记样本进行分类，对于每一个无标记样本，若两个分类器对它进行分类的结果一致，则该无标记样本为置信度高的样本，取所有的置信度高的无标签样本，给予各自一个标签值，将其加入到标签集Xl中，更新标签样本集，然后将更新后的标记样本集作为训练集对随机林模型Fs进行训练，得到新的随机森林模型Fs+1；
在本发明中，更新后的标签样本集中，既包含原本为有标签的样本，也包含原本为无标签的样本，因此利用更新后的标签集训练的随机森林模型为半监督的随机森林模型。
步骤五、优化半监督随机森林模型：
5a、采用确定性退火过程(Deterministic Annealing process，DA)来进行最优化处理，通过引进一个无标签数据的类标分布概率其中为归一化调整，将无标签数据的部分添加到优化目标中，表达式如下：
为整个优化随机森林模型的损失函数，求和项第一部分为有标签数据损失，第二项为无标签数据损失的期望，第三项表示为无标签数据分布的信息熵；α为无标签数据损失的期望权重值且α∈[0,1]，在本实施例中取值为0.5，T为退火的温度变量，初始值设定为1,当T为0时，该式化为最初的随机森林模型损失函数；在该模型中，不仅包含了有标签样本的损失，而且包含了无标签样本的预测列表损失，并且将无标签数据的预测类标损失作为优化目标，并考虑了预测类标概率分布的信息熵，使得优化中不仅保证了期望，而且控制了方差，最大化了所有样本的间隔。
本发明通过采用确定性退火方式对半监督随机森林模型进行优化，在该模型中，不仅考虑了有标签数据的损失，还将无标签数据的预测类标损失作为优化目标，并考虑了预测类标概率分布的信息熵，使得优化中不仅保证了期望，而且控制了方差，最大化了所有样本的间隔。
5b、给定一个整体模型的数据误分率初始值:来控制优化，进行一次优化后计算整个袋外数据误分率当时，停止优化，认为已经得到了最优的随机森林模型。否则进行下一次优化，转到步骤4，更新退火温度Ts+1＝0.9Ts，训练迭代次数S＝S+1；直至得到了最优的随机森林模型Fs+1。
步骤六、用随机森林模型构建相似关系图：
6a、在随机森林模型中，每一个决策树的层数相同，假设层数为t，一对数据点(xi,xj)从根节点γ,经过层层的特征分裂，最终到一对数据点(xi,xj)所属的子节点li和lj，一对数据点中的两个数据点xi和xj经过的路径分别表示为：
Qi表示数据点xi的路径，Qj表示数据点xj的路径，γ为决策树的根节点。为数据点xi经过路径上的决策树内部节点；为数据点xj经过路径上的决策树内部节点。
6b、对于每一对数据点(xi,xj)，用表示他们之间的相似关系，所有数据的相似关系构成一个相似图矩阵W，得到了相似关系图矩阵W，就得到了相似关系图，则有：
wij是数据点xi和数据点xj之间的相似关系值。
本发明利用适合于具有非线性特点极化SAR数据的随机森林方法进行构图，因此得到的相似关系图矩阵W具有更好的亲和性。
步骤七、构建空间信息图：对于图像中每一个像素样本点，它和周围前后左右的四个像素样本点相似关系取值为1，与其它像素样本点相似关系则取值为0，从而得到一个表示整个图像样本点之间空间位置关系的图矩阵，记为空间信息图矩阵G。
步骤八、合并相似关系图和空间信息图：将步骤六中的相似图矩阵W和步骤七中的空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系的图矩阵 Z＝W+λG，其中λ∈(0,1)，在本实施例中取λ＝0.5。
步骤九、对极化SAR图像进行分类并计算正确率：
9a、将已经得到的相似关系图矩阵Z用于图保持的半监督分类方法中对极化SAR图像进行分类，得到图像中每个像素点类别标签矩阵Y，公式如下：
其中zij为Z中第i行第j列的元素,yi为第i个像素点xi的类别标签，yj为第j个像素点xj的类别标签,当像素点xi和像素点xj相似度较高，即zij值很大的时候，要使上述公式得到最优解，则yi和yj的值要相近，取即第i个像素点xi和第j个像素点xj被分到同一类，分类后整个图像数据的类别标签矩阵为Y＝(y1,y2,…yi,…yj…yn)；
9b、得到每个像素点分类后的类别标签矩阵Y；根据类别标签矩阵Y对每个像素点进行着色，对应到极化SAR图像上的每个像素点，将红色、绿色、蓝色作为三基色，按照三基色上色法为每个像素点上色，输出分类后的结果图，参见图2(f)；
9c、将分类器预测的类别标签矩阵Y与测试样本真实的类别标签矩阵L进行对比，得出实验的分类正确率。
本发明通过采用改进的半监督随机森林的方法，利用图像样本点自身属性在随机森林模型中决策树分裂的路径来指导构建图像像素样本点之间的相似关系图矩阵，这样得到的相似关系图矩阵更加符合极化SAR数据的非线性特征。在此基础上合理的利用了极化SAR图像样本点中空间信息，从而更加有利于极化SAR图像的地物分类。
下面通过仿真对本发明的技术效果进行说明
实施例6
基于随机森林构图的半监督极化SAR图像分类方法同实施例1-5，
实验条件
实验所用微机CPU为Intel Corei5-2430M内存4GB，编程平台是Matlab R2011b。
实验用图为120×150的农田仿真图，该图一共有18000个像素点，九类农作物，取其中1％的像素点作为训练样本，其余的为测试样本。
实验内容
本发明利用改进的半监督随机模型森构图，然后结合图保持的半监督分类方法对极化SAR地物仿真图进行分类，在同样实验设置的前提下与其它极化SAR图像分类方法进行比较，其中KNN为监督的分类方法，图2(c)是由KNN方法对图2(a)进行分类的结果图；Hyper为基于超图的半监督分类方法，图2(d)用Hyper方法对图2(a)进行分类的结果图；SSA为基于锚点空间图的半监督分类方法，图2(e)是采用SSA方法对图2(a)进行分类的结果图；SSRF为本发明方法，图2(f)是本发明方法对图2(a) 进行分类的结果图。
表1为采用上述4种方法分别得到的极化SAR地物仿真图像的地物分类精度和总体分类精度
表1、各种方法在仿真图上的地物分类精度和总体分类精度
从表1中可以看出，在训练样本均为1％的情况下，本发明与现有的极化SAR图像分类方法相比具有较高的分类精度。并且本发明方法对于图像总体的分类正确率很高，达到了99.13％，而最差的KNN方法仅为86.03。值得注意的是，本发明方法对于类标为 4和类标为9的图像样本点分类正确率达到了100％。
实施例7
基于随机森林构图的半监督极化SAR图像分类方法同实施例1-5，仿真的条件和内容同实施例6。
图2(a)是本发明方法和已有的对比算法用来实验的原始图，图2(b)是原始图对应的标准图，图2(c)是由KNN方法对图2(a)进行分类的结果图，图2(d)用Hyper方法对图2(a)进行分类的结果图，图2(e)是采用SSA方法对图2(a)进行分类的结果图，图2(f)是本发明方法对图2(a)进行分类的结果图。
由图2(c)可以看出，KNN方法的分类效果较差，处了右下角的蓝色区域，其他区域都布满了噪点，整体分类结果很差，由图2(d)可以看出，Hyper方法对图像左上角的红色区域和图像右侧中间部分的灰色区域分类效果很差，噪点很多，由图2(e)可以看出，SSA方法对于Hyper分类效果很差的区域的分类正确率有所提升，但是对于图中右上角的黄色区域的分类，SSA方法不如Hyper，对照图2(e)可以看出，本发明方法对于图像中每一块区域的分类效果都优于其它几个对比算法，特对于三个对比算法分类效果都不好的左上角的红色区域，本发明方法也只有极少数噪点，特别值得一提的是，本发明方法对于图像上方中间的粉红色区域和图像右下角的蓝色区域，分类正确率几乎达到了100％。
参见仿真实验结果图2，相对证明了本发明具有更高的可视性。
本发明提出的基于随机森林构图的半监督极化SAR图像分类方法避免了已有的极化 SAR图像分类方法中利用图像中样本点距离度量样本点之间相似关系的不足，能够有效提高极化SAR图像的分类精度，而且在训练样本较少的情况下也能得到较高的分类精度。
综上所述，发明公开的一种基于随机森林构图的半监督极化SAR图像分类方法。解决了已有的极化SAR图像分类方法中不能准确的表示图像中样本点之间相似关系，未能充分利用图像样本点之间空间信息的技术问题。其步骤包括：1、输入图像：从极化SAR 图像数据文件夹中获取极化SAR图像的原始数据；2、特征提取：对输入的极化SAR原始数据其进行分解，提取数据的相干T特征、Cloud特征、Freeman特征、Span特征，得到一共15维的数据集X；3、构建初始随机森林模型：将数据集X随机打乱，分别构建属性集，其中第一个属性集为X1，包含相干T特征、Cloud特征、Span特征，第二个属性集为X2，包含相干T特征、Freeman特征；构建初始森林为F0，选取1％的样本作为标签样本，将标签样本的损失和无标签样本的损失结合,对无标签样本和标签样本采用同一个损失函数来构建初始随机森林F0；4、训练半监督随机森林：初始化训练迭代次数S＝0，每类选取 s个标签样本，用第一个属性集X1训练第一个KNN分类器f1，用第二个属性集X2训练第二个KNN分类器f2，并利用这两个分类器协助随机森林进行半监督训练，首先通过两个 KNN分类器的协同作用对无标记样本进行分类，选取置信度高的无标签样本，给予它们一个标签值，加入到标签集中，更新标签样本集，然后将更新后的标记样本集作为训练集对随机林Fs进行半训练；5、优化半监督随机森林：采用确定性退火过程(Deterministic Annealing process，DA)来进行最优化处理，通过引进一个无标签数据的类标分布概率，将无标签数据的部分添加到优化目标中；给定一个整体模型的数据误分率初始值:来控制优化，进行一次优化后计算整个袋外数据误分率当时，停止优化，否则进行下一次优化，转到步骤(4)，更新退火温度Ts+1＝0.9Ts，训练迭代次数S＝S+1；6、随机森林构建相似关系图：利用训练好的随机森林对图像中的标签样本和无标签样本进行构建相似关系图，得到一个相似关系图矩阵W；7、构建空间信息图：对于图像中每一个像素样本点，它和周围前后左右的四个像素样本点点相似关系取值为1，与其它像素样本点相似关系则取值为0，构建空间信息图矩阵G；8、合并相似关系图和空间信息图：将(6)中的相似图矩阵W 和(7)中的空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系的图矩阵Z＝W+λG，其中λ∈(0,1)；9、对极化SAR图像进行分类并计算分类正确率：利用图保持的方法，结合已经得到的相似关系图矩阵Z对极化SAR图像进行分类，得到每个像素点分类后的类别标签矩阵Y；根据类别标签矩阵Y对每个像素点进行着色，输出分类后的的图像，并计算分类的正确率。本发明利用半监督随机森林算法构建出更加亲和的相似关系图并考虑了空间信息，提高了极化SAR图像的分类正确率。用于地质勘探，抢险救灾，目标识别等民用和军用领域。
Claims (3)
1.一种基于随机森林构图的极化SAR图像半监督分类方法，其特征在于，包括有如下步骤：
(1)输入图像：从极化SAR图像数据中获取极化SAR图像的原始数据；
(2)特征提取：对输入的极化SAR原始数据其进行分解，提取数据的相干T特征、Cloud特征、Freeman特征、Span特征，得到一共15维的数据集X；
(3)构建初始随机森林模型：将数据集X随机打乱，分别构建属性集，其中第一个属性集为X1，包含相干T特征、Cloud特征、Span特征，第二个属性集为X2，包含相干T特征、Freeman特征；构建初始森林为F0，选取每类1％的样本作为标签样本集，记为Xl，其余的为无标签样本集，记为Xu，将标签样本的损失和无标签样本的损失结合,对无标签样本和标签样本采用同一个损失函数来构建初始随机森林模型F0；
(4)训练半监督随机森林模型：初始化训练迭代次数S＝0，从标签样本选取s个标签样本分别训练两个分类器，用第一个属性集X1中的s个标签样本训练第一个KNN分类器f1，用第二个属性集X2中的s个标签样本训练第二个KNN分类器f2，对于每一个无标记样本，若两个分类器对它进行分类的结果一致，则该无标记样本为置信度高的样本，取所有的置信度高的无标签样本，给予各自一个标签值，将其加入到标签集Xl中，更新标签样本集，然后将更新后的标记样本集作为训练集对随机林模型Fs进行半监督训练，得到新的随机森林模型Fs+1；
(5)优化半监督随机森林模型：采用确定性退火过程进行最优化处理，通过引进一个无标签数据的类标分布概率将所有无标签样本中数据添加到优化目标中，给定一个整体模型的数据误分率初始值:来控制优化，进行一次优化后计算整个袋外数据误分率当时，停止优化，认为已经得到了最优的随机森林模型。否则进行下一次优化，转到步骤(4)，更新退火温度Ts+1＝0.9Ts，训练迭代次数S＝S+1；直至得到了最优的随机森林模型；
(6)用随机森林模型构建相似关系图：利用训练好的随机森林模型对图像中的标签样本和无标签样本构建相似关系图，得到一个相似关系图矩阵W；
(7)构建空间信息图：对于图像中每一个像素样本点，它和周围前后左右的四个像素样本点点相似关系取值为1，与其它像素样本点相似关系则取值为0，构建空间信息图矩阵G；
(8)合并相似关系图和空间信息图：将相似图矩阵W和空间信息图矩阵G相结合得出最终的表示图像中像素样本点之间相似关系图矩阵Z＝W+λG，其中λ∈(0,1)；
(9)对极化SAR图像进行分类并计算分类正确率：利用图保持的方法，用已经得到的相似关系图矩阵Z对极化SAR图像进行分类，得到每个像素点分类后的类别标签矩阵Y；根据类别标签矩阵Y对每个像素点进行着色，输出分类后的图像，完成极化SAR图像半监督分类，并计算分类正确率。
2.根据权利要求书1所述的基于随机森林构图的极化SAR图像半监督分类方法，其中步骤(5)中确定性退火优化表达式为
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>D</mi>
<mi>A</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>g</mi>
<mo>,</mo>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>l</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>l</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>l</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mi>&alpha;</mi>
<mrow>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>u</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>u</mi>
</msub>
</mrow>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mrow>
<mover>
<mrow>
<mi>i</mi>
<mo>|</mo>
</mrow>
<mo>^</mo>
</mover>
<mi>x</mi>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>l</mi>
<mi>u</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>g</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mi>T</mi>
<msub>
<mi>X</mi>
<mi>u</mi>
</msub>
</mfrac>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>X</mi>
<mi>u</mi>
</msub>
</mrow>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
求和项第一部分为有标签数据损失，第二项为无标签数据损失的期望，第三项表示为无标签数据分布的信息熵；α为无标签数据损失的期望权重值且α∈[0,1]，在本实施例中取值为0.5，T为退火的温度变量,可以看出，当T为0时，该式化为(3)中模型；在该模型中，包含了有标签样本的损失，包含了无标签样本的预测列表损失，并且将无标签数据的预测类标损失作为优化目标，最大化了所有样本的间隔。
3.根据权利要求1所述的基于随机森林构图的极化SAR图像半监督分类方法，其特征在于，步骤(6)中所述的用随机森林模型构建相似关系图，具体包括有：
在随机森林模型中，每一个决策树的层数相同，假设层数为t，一对数据点(xi,xj)从根节点γ,经过层层的特征分裂，最终到一对数据点(xi,xj)所属的子节点li和lj，一对数据点中的两个数据点xi和xj经过的路径分别表示为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>Q</mi>
<mi>i</mi>
</msup>
<mo>=</mo>
<mo>{</mo>
<mi>&gamma;</mi>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mi>k</mi>
<mi>i</mi>
</msubsup>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>Q</mi>
<mi>j</mi>
</msup>
<mo>=</mo>
<mo>{</mo>
<mi>&gamma;</mi>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mi>j</mi>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mi>j</mi>
</msubsup>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
所有数据的相似关系构成一个相似图矩阵W，则有：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<msup>
<mi>Q</mi>
<mi>i</mi>
</msup>
<mo>=</mo>
<msup>
<mi>Q</mi>
<mi>j</mi>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>e</mi>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
wij表示数据点xi和数据点xj之间的相似关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710341085.3A CN107358142B (zh) | 2017-05-15 | 2017-05-15 | 基于随机森林构图的极化sar图像半监督分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710341085.3A CN107358142B (zh) | 2017-05-15 | 2017-05-15 | 基于随机森林构图的极化sar图像半监督分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107358142A true CN107358142A (zh) | 2017-11-17 |
| CN107358142B CN107358142B (zh) | 2020-12-08 |
Family
ID=60272053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710341085.3A Active CN107358142B (zh) | 2017-05-15 | 2017-05-15 | 基于随机森林构图的极化sar图像半监督分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107358142B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590507A (zh) * | 2017-08-23 | 2018-01-16 | 西安电子科技大学 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
| CN108446652A (zh) * | 2018-03-27 | 2018-08-24 | 武汉大学 | 基于动态纹理特征的极化sar图像地物分类方法 |
| CN108509935A (zh) * | 2018-04-12 | 2018-09-07 | 电子科技大学 | 一种基于随机森林算法的雷达工作模式识别方法 |
| CN108629373A (zh) * | 2018-05-07 | 2018-10-09 | 苏州大学 | 一种图像分类方法、系统、设备及计算机可读存储介质 |
| CN108734228A (zh) * | 2018-06-14 | 2018-11-02 | 中交第二公路勘察设计研究院有限公司 | 综合多特征的极化sar图像随机森林分类方法 |
| CN108764310A (zh) * | 2018-05-17 | 2018-11-06 | 西安电子科技大学 | 基于多尺度多特征深度森林的sar目标识别方法 |
| CN109063760A (zh) * | 2018-07-22 | 2018-12-21 | 西安电子科技大学 | 基于随机森林多尺度卷积模型的极化sar分类方法 |
| CN109697469A (zh) * | 2018-12-26 | 2019-04-30 | 西北工业大学 | 一种基于一致性约束的自学习小样本遥感图像分类方法 |
| CN110414566A (zh) * | 2019-07-01 | 2019-11-05 | 武汉大学 | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 |
| CN110738257A (zh) * | 2019-10-15 | 2020-01-31 | 西安电子科技大学 | 基于特征提取的光学遥感图像水域分类方法 |
| CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学（北京） | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
| CN111310840A (zh) * | 2020-02-24 | 2020-06-19 | 北京百度网讯科技有限公司 | 数据融合处理方法、装置、设备和存储介质 |
| CN112308151A (zh) * | 2020-11-03 | 2021-02-02 | 西安电子科技大学 | 基于加权的旋转森林高光谱图像分类方法 |
| CN112712094A (zh) * | 2019-10-24 | 2021-04-27 | 北京四维图新科技股份有限公司 | 模型的训练方法、装置、设备及存储介质 |
| CN112749841A (zh) * | 2020-12-30 | 2021-05-04 | 科大国创云网科技有限公司 | 一种基于自训练学习的用户口碑预测方法及系统 |
| CN113792809A (zh) * | 2021-09-18 | 2021-12-14 | 中国空间技术研究院 | 基于随机半监督特征提取模型的遥感图片分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130346346A1 (en) * | 2012-06-21 | 2013-12-26 | Microsoft Corporation | Semi-supervised random decision forests for machine learning |
| CN105528595A (zh) * | 2016-02-01 | 2016-04-27 | 成都通甲优博科技有限责任公司 | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 |
| CN106056134A (zh) * | 2016-05-20 | 2016-10-26 | 重庆大学 | 一种基于Spark的半监督随机森林分类方法 |
| CN106096627A (zh) * | 2016-05-31 | 2016-11-09 | 河海大学 | 顾及特征优化的极化sar图像半监督分类方法 |
-
2017
- 2017-05-15 CN CN201710341085.3A patent/CN107358142B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130346346A1 (en) * | 2012-06-21 | 2013-12-26 | Microsoft Corporation | Semi-supervised random decision forests for machine learning |
| CN105528595A (zh) * | 2016-02-01 | 2016-04-27 | 成都通甲优博科技有限责任公司 | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 |
| CN106056134A (zh) * | 2016-05-20 | 2016-10-26 | 重庆大学 | 一种基于Spark的半监督随机森林分类方法 |
| CN106096627A (zh) * | 2016-05-31 | 2016-11-09 | 河海大学 | 顾及特征优化的极化sar图像半监督分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| CUI XIE ET AL: "Object-Oriented Random Forest Classification for Enteromorpha Prolifera", 《2016 INTERNATIONAL CONFERENCE ON VIRTUAL REALITY AND VISUALIZATION》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107590507B (zh) * | 2017-08-23 | 2020-06-09 | 西安电子科技大学 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
| CN107590507A (zh) * | 2017-08-23 | 2018-01-16 | 西安电子科技大学 | 基于空间约束的快速更新图的半监督极化sar图像分类方法 |
| CN108446652A (zh) * | 2018-03-27 | 2018-08-24 | 武汉大学 | 基于动态纹理特征的极化sar图像地物分类方法 |
| CN108446652B (zh) * | 2018-03-27 | 2021-09-03 | 武汉大学 | 基于动态纹理特征的极化sar图像地物分类方法 |
| CN108509935A (zh) * | 2018-04-12 | 2018-09-07 | 电子科技大学 | 一种基于随机森林算法的雷达工作模式识别方法 |
| CN108509935B (zh) * | 2018-04-12 | 2020-01-03 | 电子科技大学 | 一种基于随机森林算法的雷达工作模式识别方法 |
| CN108629373A (zh) * | 2018-05-07 | 2018-10-09 | 苏州大学 | 一种图像分类方法、系统、设备及计算机可读存储介质 |
| CN108764310A (zh) * | 2018-05-17 | 2018-11-06 | 西安电子科技大学 | 基于多尺度多特征深度森林的sar目标识别方法 |
| CN108764310B (zh) * | 2018-05-17 | 2021-10-29 | 西安电子科技大学 | 基于多尺度多特征深度森林的sar目标识别方法 |
| CN108734228A (zh) * | 2018-06-14 | 2018-11-02 | 中交第二公路勘察设计研究院有限公司 | 综合多特征的极化sar图像随机森林分类方法 |
| CN109063760A (zh) * | 2018-07-22 | 2018-12-21 | 西安电子科技大学 | 基于随机森林多尺度卷积模型的极化sar分类方法 |
| CN109063760B (zh) * | 2018-07-22 | 2021-06-08 | 西安电子科技大学 | 基于随机森林多尺度卷积模型的极化sar分类方法 |
| CN109697469A (zh) * | 2018-12-26 | 2019-04-30 | 西北工业大学 | 一种基于一致性约束的自学习小样本遥感图像分类方法 |
| CN110414566A (zh) * | 2019-07-01 | 2019-11-05 | 武汉大学 | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 |
| CN110414566B (zh) * | 2019-07-01 | 2020-11-17 | 武汉大学 | 一种基于时间序列PolSAR影像的土地覆盖类型变化检测方法 |
| CN110738257A (zh) * | 2019-10-15 | 2020-01-31 | 西安电子科技大学 | 基于特征提取的光学遥感图像水域分类方法 |
| CN112712094A (zh) * | 2019-10-24 | 2021-04-27 | 北京四维图新科技股份有限公司 | 模型的训练方法、装置、设备及存储介质 |
| CN111142119B (zh) * | 2020-01-10 | 2021-08-17 | 中国地质大学（北京） | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
| CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学（北京） | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
| CN111310840A (zh) * | 2020-02-24 | 2020-06-19 | 北京百度网讯科技有限公司 | 数据融合处理方法、装置、设备和存储介质 |
| CN111310840B (zh) * | 2020-02-24 | 2023-10-17 | 北京百度网讯科技有限公司 | 数据融合处理方法、装置、设备和存储介质 |
| CN112308151A (zh) * | 2020-11-03 | 2021-02-02 | 西安电子科技大学 | 基于加权的旋转森林高光谱图像分类方法 |
| CN112749841A (zh) * | 2020-12-30 | 2021-05-04 | 科大国创云网科技有限公司 | 一种基于自训练学习的用户口碑预测方法及系统 |
| CN113792809A (zh) * | 2021-09-18 | 2021-12-14 | 中国空间技术研究院 | 基于随机半监督特征提取模型的遥感图片分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107358142B (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358142A (zh) | 基于随机森林构图的极化sar图像半监督分类方法 | |
| CN105303198B (zh) | 一种自定步长学习的遥感影像半监督分类方法 | |
| CN104077599B (zh) | 基于深度神经网络的极化sar图像分类方法 | |
| Mas | Mapping land use/cover in a tropical coastal area using satellite sensor data, GIS and artificial neural networks | |
| CN106909924A (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
| CN108985238A (zh) | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及系统 | |
| Mahmon et al. | A review on classification of satellite image using Artificial Neural Network (ANN) | |
| CN104408466B (zh) | 基于局部流形学习构图的高光谱遥感图像半监督分类方法 | |
| CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
| CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质 | |
| CN108846426A (zh) | 基于深度双向lstm孪生网络的极化sar分类方法 | |
| CN111709318B (zh) | 一种基于生成对抗网络的高分辨率遥感图像分类方法 | |
| CN107590515A (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
| CN113033520A (zh) | 一种基于深度学习的树木线虫病害木识别方法及系统 | |
| CN104298974A (zh) | 一种基于深度视频序列的人体行为识别方法 | |
| CN106683102A (zh) | 基于脊波滤波器和卷积结构模型的sar图像分割方法 | |
| CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
| CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
| Yao et al. | Sensing urban land-use patterns by integrating Google Tensorflow and scene-classification models | |
| CN104182767A (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
| CN107341440A (zh) | 基于多任务度量多核学习的室内rgb‑d场景图像识别方法 | |
| Durduran | Automatic classification of high resolution land cover using a new data weighting procedure: The combination of k-means clustering algorithm and central tendency measures (KMC–CTM) | |
| CN112070079B (zh) | 基于特征图重赋权的x光违禁品包裹检测方法及装置 | |
| CN105160351A (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
| CN105809119A (zh) | 一种基于稀疏低秩结构多任务学习的行为识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |