CN112598051B - 一种基于极化统计散射成分的跨域sar图像地物分类方法 - Google Patents
一种基于极化统计散射成分的跨域sar图像地物分类方法 Download PDFInfo
- Publication number
- CN112598051B CN112598051B CN202011512187.5A CN202011512187A CN112598051B CN 112598051 B CN112598051 B CN 112598051B CN 202011512187 A CN202011512187 A CN 202011512187A CN 112598051 B CN112598051 B CN 112598051B
- Authority
- CN
- China
- Prior art keywords
- domain
- data
- source domain
- sar image
- source
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于极化统计散射成分的跨域SAR图像地物分类方法。本发明读入源域极化SAR影像标注样本和无标注目标域极化SAR影像数据;分别获取源域的标注样本的统计散射成分特征,和无标注目标域数据的统计散射成分特征;利用子空间对齐的方式将上述源域统计散射成分特征和目标域统计散射成分特征对齐,获取源域对齐于目标域的特征;利用已有的源域标签和源域对齐特征训练分类器模型;利用训练好的分类器模型直接对无标注的目标域特征进行分类,获取目标域的分类结果,即可实现利用异源异场景的标注样本对无标注目标域数据进行样本复用的非监督跨域分类效果。
Description
技术领域
本发明属于全极化合成孔径雷达图像解译技术领域,尤其涉及一种基于极化统计散射成分的跨域SAR图像地物分类方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)不仅具有全天时、全天候、穿透强等特点,而且其多极化、高分辨率的发展趋势,使得SAR在对地观测应用中发挥着越来越重要的作用。随着国内外多种高分辨率、多极化SAR系统的投入使用,海量的多模式(包括多传感器、多种数据源、多入射角)SAR影像为对地观测应用提供了丰富的数据来源,然而多模式SAR影像数据之间的目标统一表征也为SAR影像解译带来新挑战。由于数据源载体、入射角、极化方式、分辨率等差异,异场景/异源SAR数据之间存在的类别分布偏移阻碍了机器学习方法在SAR影像大规模泛化应用。通常表现在异场景/异源的SAR数据解译往往需要单独训练模型,具有类似场景的训练模型和标注样本难以迁移。另一方面,SAR样本标注成本较高且精确的标注信息较难获取,如何充分利用有限的样本获取SAR影像中更丰富的地物目标信息或实现异场景/异源的跨域SAR样本复用,也是SAR影像解译中亟待解决的难题。
跨域解译是近年来遥感影像处理研究的热点和难点之一,其目的是将已存在的训练模型和标注信息迁移应用于新获取的类似场景的数据。由于源域和目标域之间的成像平台、成像季节、分辨率、地物分布等因素导致的域偏移差异(也可称为类别分布差异),传统的监督方法或深度学习等方法通常无法处理存在域偏移的跨域遥感数据解译。此外,由于SAR成像的特殊性,针对自然图像数据集或者光学遥感数据的跨域方法几乎无法直接在跨域SAR解译中发挥作用。因此,在当前SAR数据量越来越多、标注信息极为有限的情况下,研究适用于SAR数据的跨域解译方法具有重要的理论和实用意义。本发明从极化散射机理对不同PolSAR数据的普适性和可理解性为出发点,针对异源/异场景PolSAR数据域分布偏移导致的样本难以复用问题,研究基于极化散射机理的异源/异场景PolSAR数据域适应解译。
发明内容
现有监督方法和深度学习分类方法只能处理同场景下的同源数据样本使用监督分类,本发明针对不同源不同场景下的异源极化SAR数据样本难以复用的问题,提出一种基于极化统计散射成分的跨域SAR图像地物分类方法,包括以下步骤,
步骤1,引入源域S的极化SAR影像标注样本数据、源域S的无标注目标域T极化SAR影像数据;
步骤2,通过统计散射成分特征获取方式分别获取源域S的极化SAR影像标注样本数据的统计散射成分特征Fs、源域S的无标注目标域T极化SAR影像数据的统计散射成分特征FT;
步骤3,将源域S的极化SAR影像标注样本数据的统计散射成分特征Fs、源域S的无标注目标域T极化SAR影像数据的统计散射成分特征FT,利用子空间对齐的方式进行对齐,获取源域对齐于目标域的特征Fs*;
步骤4,利用已有的源域标签YS和源域对齐特征Fs*训练分类器分类模型W;
步骤5,利用训练好的分类器模型W直接对无标注的目标域特征FT进行分类,获取目标域的分类结果,实现利用异源异场景的标注样本对无标注目标域数据进行样本复用的非监督跨域分类效果。
作为优选,步骤1所述源域S极化SAR影像标注样本数据为:
S={Xsi,Ysi}
i∈[1,m]
其中,Xsi为源域S极化SAR影像标注样本数据中第i个源域样本的协方差矩阵数据特征,Ysi为源域S极化SAR影像标注样本数据中第i个源域样本的标注信息,m为源域的标注样本个数;
定义源域标签为:Ys={Ys1,Ys2,...,Ysm}
步骤1所述源域S无标注目标域T极化SAR影像数据为:
T={Xtj}
j∈[1,n]
其中,Xtj为无标注目标域T极化SAR影像数据中第j个目标域样本的协方差矩阵数据特征,n为目标域的待分类的无标注样本个数;
作为优选,步骤2所述的统计散射成分特征获取方式为:
对全极化SAR数据首先进行去取向Yamaguchi分解,将分解后的全极化SAR数据进行Wish art非监督分类,可以得到初始化的每个像素的非监督分类结果;
对数据进行子块切分,以K*K像素子块作为基本单元,获取子块内的Yamaguchi-Wishart非监督分类标签的统计结果,即统计子块内像素的初始类别频次统计结果;
类别频次统计结果的维数对应设定的散射成分数目N,将样本子块中每种散射机制的分布信息组成样本区域描述特征的每一维;
基于散射机制的统计特征统计了样本块中各散射机制成分的组成情况,经过本征维度获取后,利用主成分分解获取子块中的本征特征,即将子块数据的特征描述方式统计散射成分特征。本征维度获取方式为最大似然估计方式获取。
作为优选,步骤3所述子空间对齐的目标是寻找投影矩阵使得Bregman散度最小化;
子空间特征学习方法将源域和目标域映射到相同的子空间,然后建立统一的模型,子空间统计特征变换中子空间对齐方法直接寻找一个线性变换,把源域映射到目标域空间中,子空间对齐域转移矩阵M,通过Bregman矩阵散度距离评估源域变换和目标域之间的最小距离获取;
用于获取转移矩阵M的最优化形式M*的子空间对齐域适应的优化目标G(M)是:
M*=argminM(G(M))
直接获取线性变换的闭式解:
优化后的对齐转移矩阵M为:
M*=F′SFT
获取源域对齐于目标域的特征Fs *
Fs *=FSM*
作为优选,步骤4所述的分类器分类模型可以为支持向量机、随机森林、最近邻分类器等典型分类器;
利用已有的源域标签YS和源域对齐特征Fs*训练分类器分类模型W,并利用模型直接对目标域特征进行分类,实现利用不同源不同场景的标注样本对另一幅无标注的样本进行分类,达到样本复用的目的。
借鉴传统监督分类和深度学习方法只能处理同源同场景数据中的样本进行监督分类,而无法将数据S的样本使用到无标注的数据T进行样本复用,本专利设计了一种基于统计散射成分特征和子空间对齐的非监督跨域全极化SAR分类,可以实现数据S的标注样本对于多个不同的无标注的目标域数据T进行分类,减少极化SAR样本标注工作量,实现样本复用提高异源异场景极化SAR数据解译效率。
和现有技术相比,本发明的优点是:
设计了一种适用于极化SAR数据的跨域解译方法,实现数据S的标注样本,在多个无标注的目标域数据T中进行样本复用,获取的跨域分类效果不仅嫩优于目标域非监督聚类效果(非监督聚类无法获取目标域具体地物类型),并且几乎能达到目标域有样本情况下的监督分类效果;即发明方法利用源域标注样本解译无标注的目标域数据,不仅能识别目标域地物还能获取较好的分类效果。
提出一种适用于极化SAR数据跨域解译的统计散射成分特征。基于适用于所有极化SAR数据的散射机理对不同源不同场景的极化SAR数据进行地物特性表达,使得跨域特征提取方式几乎适用于所有极化SAR数据,将子块内的散射成分进行统计,进一步克服极化SAR数据相干斑影响,符合极化SAR数据中分布式地物(水体、建筑区、林地、耕地等)的描述方式;
所发明的跨域极化SAR解译方法中使用的分类器选择较为灵活,由于所设计的统计散射成分和子空间对齐方法能很好的克服跨域数据之间的分布偏移问题,上述步骤4和步骤5中利用已有的源域标签YS和源域对齐特征Fs*训练的分类器模型有较多的选择,除了支持向量机、随机森林和最近邻分类器等经典监督分类器都可以在发明方法中有较好的效果。
附图说明
图1:是本发明实施例的流程图;
图2:是本发明实施例源域标注数据及无标注的目标域数据示意图,其中图2a为源域数据示意图,图2b为源域标注样本示意图,图2c为无标注目标域数据示意图;
图3:是本发明实施例统计散射成分特征原理示意图;
图4:是本发明实施例源域目标域统计散射成分特征子空间对齐效果;
图5:是本发明实施例目标域非监督跨域分类结果图,其中,图5a为发明方法结合支持向量机分类器的跨域分类结果,图5b为发明方法结合随机森林的跨域分类结果,图5c为发明方法结合最近邻分类器的跨域分类结果;
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合具体的实例,对本申请进行进一步详细说明。应当理解,此处描述的具体实例仅仅用以解释本申请,并不用于限定本申请。
本发明实施例中提供的一种基于极化统计散射成分的跨域SAR图像地物分类方法如图1所示。
本发明第一实施例包括以下步骤:
步骤1,引入源域S的极化SAR影像标注样本数据、源域S的无标注目标域T极化SAR影像数据;
步骤1所述源域S极化SAR影像标注样本数据为:
S={Xsi,Ysi}
i∈[1,m]
其中,Xsi为源域S极化SAR影像标注样本数据中第i个源域样本的协方差矩阵数据特征,Ysi为源域S极化SAR影像标注样本数据中第i个源域样本的标注信息,m为源域的标注样本个数;
定义源域标签为:Ys={Ys1,Ys2,...,Ysm}
步骤1所述源域S无标注目标域T极化SAR影像数据为:
T={Xtj}
j∈[1,n]
其中,Xtj为无标注目标域T极化SAR影像数据中第j个目标域样本的协方差矩阵数据特征,n为目标域的待分类的无标注样本个数;
步骤2,通过统计散射成分特征获取方式分别获取源域S的极化SAR影像标注样本数据的统计散射成分特征Fs、源域S的无标注目标域T极化SAR影像数据的统计散射成分特征FT;
步骤2所述的统计散射成分特征获取方式为:
对全极化SAR数据首先进行去取向Yamaguchi分解,将分解后的全极化SAR数据进行Wishart非监督分类,可以得到初始化的每个像素的非监督分类结果;
对数据进行子块切分,以K*K像素子块作为基本单元,获取子块内的Yamaguchi-Wishart非监督分类标签的统计结果,即统计子块内像素的初始类别频次统计结果;
类别频次统计结果的维数对应设定的散射成分数目N,将样本子块中每种散射机制的分布信息组成样本区域描述特征的每一维;
基于散射机制的统计特征统计了样本块中各散射机制成分的组成情况,经过本征维度获取后,利用主成分分解获取子块中的本征特征,即将子块数据的特征描述方式统计散射成分特征。本征维度获取方式为最大似然估计方式获取。
步骤3,将源域S的极化SAR影像标注样本数据的统计散射成分特征Fs、源域S的无标注目标域T极化SAR影像数据的统计散射成分特征FT,利用子空间对齐的方式进行对齐,获取源域对齐于目标域的特征Fs*;
步骤3所述子空间对齐的目标是寻找投影矩阵使得Bregman散度最小化;
子空间特征学习方法将源域和目标域映射到相同的子空间,然后建立统一的模型,子空间统计特征变换中子空间对齐方法直接寻找一个线性变换,把源域映射到目标域空间中,子空间对齐域转移矩阵M,通过Bregman矩阵散度距离评估源域变换和目标域之间的最小距离获取;
用于获取转移矩阵M的最优化形式M*的子空间对齐域适应的优化目标G(M)是:
M*=argminM(G(M))
直接获取线性变换的闭式解:
优化后的对齐转移矩阵M为:
M*=F′SFT
获取源域对齐于目标域的特征Fs*
Fs*=FSM*
步骤4,利用已有的源域标签YS和源域对齐特征Fs*训练分类器分类模型W;
步骤4所述的分类器分类模型可以为支持向量机、随机森林、最近邻分类器等典型分类器;
步骤5,利用训练好的分类器模型W直接对无标注的目标域特征FT进行分类,获取目标域的分类结果,实现利用异源异场景的标注样本对无标注目标域数据进行样本复用的非监督跨域分类效果。
本发明第二实施例包括以下步骤:
步骤1,数据读取,读入源域S极化SAR影像标注样本和无标注目标域T极化SAR影像数据。
获取的全极化SAR数据分辨率可为2-20m范围内,具体实施时根据情况输入。源域含有少量标注样本(不低于2%),目标域不含任何标注信息,如图2所示。
步骤2,统计散射成分特征提取如图3所示,分别获取源域S的标注样本的统计散射成分特征Fs,和无标注目标域T数据的统计散射成分特征FT。统计散射成分特征提取方式如图3所示,对全极化SAR数据首先进行去取向Yamaguchi四分量分解,将分解后的四分散射分量数据分别按照功率各分为30个聚类,然后对聚类数据进行Wishart非监督分类,合并为20个聚类簇,可以得到每个像素的非监督分类结果。Wishart非监督聚类中Wishart距离度量Dij的获取方式为如下公式所示,其中Vi和Vj为按照上述分解分量功率初始聚类中心,
在上述Wishart聚类结果的基础上,对数据进行子块切分,以50*50子块作为基本单元,获取子块内的Yamaguchi-Wishart非监督分类标签的统计结果。即统计子块内像素的初始类别直方图,直方图的维数对应设定的散射成分数目N(默认为80维度,即Yamaguchi四分量分解每个分量聚类为20维),将样本子块中N维散射机制的分布信息组成样本区域描述特征的每一维。同样,基于散射机制的统计特征统计了样本块中各散射机制成分的组成情况,经过本征维度获取后,利用主成分分析PCA获取子块中的本征特征,即将子块数据的特征描述方式统计散射成分特征。本征维度获取方式为最大似然估计方式获取。
步骤3,源域目标域子空间特征对齐,利用子空间对齐的方式将上述源域统计散射成分特征Fs和目标域统计散射成分特征FT对齐,获取源域对齐于目标域的特征Fs*;。
源域和目标域子空间对齐的目标是寻找投影矩阵使得Bregman散度最小化。子空间特征学习方法将源域和目标域映射到相同的子空间,然后建立统一的模型,子空间统计特征变换中子空间对齐方法直接寻找一个线性变换,把源域特征映射到目标域特征空间中,子空间对齐域转移矩阵M,通过Bregman矩阵散度距离评估源域特征变换和目标域特征之间的最小距离获取。子空间对齐域适应的优化目标是:
M*=argminM(G(M))
直接获取线性变换的闭式解:
优化后的对齐转移矩阵M为:
M*=F′SFT
在此基础上,获取源域对齐于目标域的特征Fs*,即可将变换后的源域样本特征用于无标注目标域分类。
Fs*=FsM*
源域目标域特征子空间对齐效果示意图如图4所示。从中可以看出源域特征经过子空间对齐后,与目标域的特征分布是类似的,说明源域和目标域的分布差异得到减弱,经过统计散射成分特征提取和子空间对齐后,可以直接利用源域样本和特征对目标域进行监督分类。
步骤4,源域变化特征及标注训练模型,利用已有的源域标签YS和源域对齐特征Fs*训练支持向量机分类模型W,也可以为其他典型的分类器,例如随机森林分类器或者最近邻分类器。训练样本可为源域总数据量的2-10%,可进行调整。
步骤5,样本复用目标域分类,利用训练过的分类器模型W直接对无标注的目标域特征FT进行分类,获取目标域的分类结果,即可实现利用异源异场景的样本对无标注数据进行样本复用的跨域分类效果。
具体实施时,以上流程可采用计算机软件技术实现自动运行,运行方法的系统装置也应当在本发明的保护范围内。
下面,结合Radarsat-2卫星获取的荷兰Flevoland地区的全极化数据和Radarsat-2卫星获取的加拿大Vancouver地区的全极化数据的对本发明的有效性和准确性做进一步说明,源域数据和目标域数据示意图分别如图2所示。
1.源域数据
Radarsat-2卫星获取的荷兰Flevoland地区的全极化数据,分辨率约8米/像素,数据大小为1400*1200像素,地物类型包括水体、建筑区、林地和耕地,含有少量标注样本。
2.目标域数据
Radarsat-2卫星获取的加拿大Vancouver地区的全极化数据,分辨率约8米/像素,数据大小为2600*1600像素,不含有任何标注信息。
3.目标域跨域分类效果
按照图3所示的统计散射成分流程获取源域和目标域的统计散射成分特征,并利用子空间对齐方法将源域特征与目标域特征进行对齐,效果如图4所示。图5是本发明实施例目标域非监督跨域分类结果图,其中图5a为发明方法结合支持向量机分类器的跨域分类结果,图5b为发明方法结合随机森林的跨域分类结果,图5c为发明方法结合最近邻分类器的跨域分类结果。下表汇总了图5跨域分类的准确率。为了体现本专利方法的优势,将上述实验重复十次,记录分类准确度的均值和方差,可以看出提出跨域方法有较好的准确度,能实现源域少量标注样本在无标注目标域中获得较好的跨域解译效果。
表1跨域分类结果准确度(10次独立运行均值及方差,%)
本发明的创新之处在于,设计了一种适用于极化SAR数据的跨域解译方法,实现数据S的标注样本,在多个无标注的目标域数据T中进行样本复用,获取的跨域分类效果不仅嫩优于目标域非监督聚类效果(非监督聚类无法获取目标域具体地物类型),并且几乎能达到目标域有样本情况下的监督分类效果;即发明方法利用源域标注样本解译无标注的目标域数据,不仅能识别目标域地物还能获取较好的分类效果。提出一种适用于极化SAR数据跨域解译的统计散射成分特征。基于适用于所有极化SAR数据的散射机理对不同源不同场景的极化SAR数据进行地物特性表达,使得跨域特征提取方式几乎适用于所有极化SAR数据,将子块内的散射成分进行统计,进一步克服极化SAR数据相干斑影响,符合极化SAR数据中分布式地物的描述方式。(3)所发明的跨域极化SAR解译方法中使用的分类器选择较为灵活,由于所设计的统计散射成分和子空间对齐方法能很好的克服跨域数据之间的分布偏移问题,上述步骤4和步骤5中利用已有的源域标签YS和源域对齐特征Fs*训练的分类器模型有较多的选择,除了支持向量机、随机森林和最近邻分类器等经典监督分类器都可以在发明方法中有较好的效果。
应当理解的是,本申请书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本申请专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本申请权利要求所保护的范围情况下,还可以做出替换或变形,均落入本申请的保护范围之内,本申请的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于极化统计散射成分的跨域SAR图像地物分类方法,其特征在于,包括以下步骤:
步骤1,引入源域S的极化SAR影像标注样本数据、源域S的无标注目标域T极化SAR影像数据;
步骤2,通过统计散射成分特征获取方式分别获取源域S的极化SAR影像标注样本数据的统计散射成分特征Fs、源域S的无标注目标域T极化SAR影像数据的统计散射成分特征FT;
步骤3,将源域S的极化SAR影像标注样本数据的统计散射成分特征Fs、源域S的无标注目标域T极化SAR影像数据的统计散射成分特征FT,利用子空间对齐的方式进行对齐,获取源域对齐于目标域的特征Fs*;
步骤4,利用已有的源域标签YS和源域对齐特征Fs*训练分类器分类模型W;
步骤5,利用训练好的分类器模型W直接对无标注的目标域特征FT进行分类,获取目标域的分类结果,实现利用异源异场景的标注样本对无标注目标域数据进行样本复用的非监督跨域分类效果;
步骤3所述子空间对齐的目标是寻找投影矩阵使得Bregman散度最小化;
子空间特征学习方法将源域和目标域映射到相同的子空间,然后建立统一的模型,子空间统计特征变换中子空间对齐方法直接寻找一个线性变换,把源域映射到目标域空间中,子空间对齐域转移矩阵M,通过Bregman矩阵散度距离评估源域变换和目标域之间的最小距离获取;
用于获取转移矩阵M的最优化形式M*的子空间对齐域适应的优化目标G(M)是:
M*=argminM(G(M))
直接获取线性变换的闭式解:
优化后的对齐转移矩阵M为:
M*=F'SFT
获取源域对齐于目标域的特征Fs*
Fs*=FSM*
步骤4所述的分类器分类模型可以为支持向量机、随机森林、最近邻分类器。
2.根据权利要求1所述的基于极化统计散射成分的跨域SAR图像地物分类方法,其特征在于:
步骤1所述源域S极化SAR影像标注样本数据为:
S={Xsi,Ysi}
i∈[1,m]
其中,Xsi为源域S极化SAR影像标注样本数据中第i个源域样本的协方差矩阵数据特征,Ysi为源域S极化SAR影像标注样本数据中第i个源域样本的标注信息,m为源域的标注样本个数;
定义源域标签为:Ys={Ys1,Ys2,...,Ysm}
步骤1所述源域S无标注目标域T极化SAR影像数据为:
T={Xtj}
j∈[1,n]
其中,Xtj为无标注目标域T极化SAR影像数据中第j个目标域样本的协方差矩阵数据特征,n为目标域的待分类的无标注样本个数。
3.根据权利要求1所述的基于极化统计散射成分的跨域SAR图像地物分类方法,其特征在于:
步骤2所述的统计散射成分特征获取方式为:
对全极化SAR数据首先进行去取向Yamaguchi分解,将分解后的全极化SAR数据进行Wishart非监督分类,可以得到初始化的每个像素的非监督分类结果;
对数据进行子块切分,以K*K像素子块作为基本单元,获取子块内的Yamaguchi-Wishart非监督分类标签的统计结果,即统计子块内像素的初始类别频次统计结果;
类别频次统计结果的维数对应设定的散射成分数目N,将样本子块中每种散射机制的分布信息组成样本区域描述特征的每一维;
基于散射机制的统计特征统计了样本块中各散射机制成分的组成情况,经过本征维度获取后,利用主成分分解获取子块中的本征特征,即将子块数据的特征描述方式统计散射成分特征;本征维度获取方式为最大似然估计方式获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011512187.5A CN112598051B (zh) | 2020-12-19 | 2020-12-19 | 一种基于极化统计散射成分的跨域sar图像地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011512187.5A CN112598051B (zh) | 2020-12-19 | 2020-12-19 | 一种基于极化统计散射成分的跨域sar图像地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598051A CN112598051A (zh) | 2021-04-02 |
CN112598051B true CN112598051B (zh) | 2023-03-24 |
Family
ID=75199596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011512187.5A Active CN112598051B (zh) | 2020-12-19 | 2020-12-19 | 一种基于极化统计散射成分的跨域sar图像地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598051B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343804B (zh) * | 2021-05-26 | 2022-04-29 | 武汉大学 | 面向单视全极化sar数据的集成迁移学习分类方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463193B (zh) * | 2014-11-04 | 2017-10-24 | 西安电子科技大学 | 基于深度稀疏ica的极化sar图像分类方法 |
WO2016130945A1 (en) * | 2015-02-13 | 2016-08-18 | Schlumberger Technology Corporation | Diagenetic and depositional rock analysis |
CN104751184B (zh) * | 2015-04-08 | 2017-11-21 | 西安电子科技大学 | 基于强度统计稀疏的全极化sar图像分类方法 |
CN105224949B (zh) * | 2015-09-23 | 2018-11-13 | 电子科技大学 | 基于跨领域迁移学习的sar图像地物分类方法 |
CN107273853B (zh) * | 2017-06-16 | 2019-05-21 | 中国地质大学(武汉) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 |
CN108898181B (zh) * | 2018-06-29 | 2021-08-24 | 咪咕文化科技有限公司 | 一种图像分类模型的处理方法、装置及存储介质 |
CN110610207B (zh) * | 2019-09-10 | 2022-11-25 | 重庆邮电大学 | 一种基于迁移学习的小样本sar图像舰船分类方法 |
-
2020
- 2020-12-19 CN CN202011512187.5A patent/CN112598051B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112598051A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | Learning transferable deep models for land-use classification with high-resolution remote sensing images | |
CN107256246B (zh) | 基于卷积神经网络的印花织物图像检索方法 | |
CN107133569B (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
Zhou et al. | Principal visual word discovery for automatic license plate detection | |
Fergus et al. | Learning object categories from google's image search | |
CN110414462A (zh) | 一种无监督的跨域行人重识别方法及系统 | |
US9292766B2 (en) | Techniques for ground-level photo geolocation using digital elevation | |
Shan et al. | Unsupervised learning of discriminative edge measures for vehicle matching between nonoverlapping cameras | |
CN108090232A (zh) | 利用跨域知识的语义事件检测 | |
CN106097381B (zh) | 一种基于流形判别非负矩阵分解的目标跟踪方法 | |
Yu et al. | Analysis of large-scale UAV images using a multi-scale hierarchical representation | |
WO2022218396A1 (zh) | 图像处理方法、装置和计算机可读存储介质 | |
CN110766690A (zh) | 基于深度学习点监督思想的麦穗检测和计数方法 | |
CN113158891B (zh) | 一种基于全局特征匹配的跨摄像头行人重识别方法 | |
CN113221848B (zh) | 基于多分类器域对抗网络的高光谱开放集领域自适应方法 | |
Bruns et al. | Mobile phone-enabled museum guidance with adaptive classification | |
Zhao et al. | Butterfly recognition based on faster R-CNN | |
CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
CN112598051B (zh) | 一种基于极化统计散射成分的跨域sar图像地物分类方法 | |
CN110781788B (zh) | 一种基于少量标注的野外机器人地面分类方法及系统 | |
Wang et al. | ShuffleNet-Triplet: A lightweight RE-identification network for dairy cows in natural scenes | |
CN111898418A (zh) | 一种基于t-tiny-yolo网络的人体异常行为检测方法 | |
CN117611988A (zh) | 一种面向新增耕地管护属性自动识别监测方法及系统 | |
Lu et al. | Survey of weakly supervised semantic segmentation methods | |
CN117197459A (zh) | 基于显著性图与注意力机制的弱监督语义分割方法 |
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 |