[发明专利]一种基于模糊标签语义先验的小样本PolSAR图像分类方法

权利要求书

1.一种基于模糊标签语义先验的小样本PolSAR图像分类方法，其特征在于，准备待分类的PolSAR图像；然后对该PolSAR图像的复数相干矩阵取模，得到实数化的极化特征作为网络的输入数据；再从每一个目标类别中随机选取带有标签信息的训练样本，获得记录训练样本位置的采样矩阵和记录相应位置处像素标签信息的采样标签矩阵；然后利用采样标签矩阵初始化分类矩阵；搭建全卷积网络FCN；再将实数化的输入数据、采样矩阵、采样标签矩阵和分类矩阵送入搭建好的全卷积网络FCN中进行训练；根据最优参数输出训练后的FCN预测结果，每个元素代表该像素划分为每个类别的概率；然后利用FCN的预测结果、采样矩阵、采样标签矩阵和分类矩阵的当前状态更新分类矩阵；重复以上训练FCN操作至更新分类矩阵操作直至满足最大迭代次数；输出最后的分类矩阵；计算分类准确率和分类结果图完成图像分类；

训练FCN网络具体为：

利用输入数据X、采样矩阵A、采样标签矩阵和分类矩阵Y，最小化全卷积网络的损失函数，利用梯度下降法多次迭代优化深度卷积网络的损失函数，计算最优网络参数W^*，在最优参数W^*下得到全卷积网络关于输入图像的输出Y_FCN，最小化全卷积网络的损失函数如下：

其中，⊙代表逐元素点乘，α＞0、β＞0是超参数，W是深度卷积网络的参数，Y_FCN∈R^M*N*C是全卷积网络的输出，是Y_FCN第i行第j列的元素，是Y_FCN在一维索引下的第i个元素，Y∈R^M*N*C是分类矩阵，Y_j∈R^C是Y在一维索引下的第j个元素，Nei(i)代表第i个像素的8邻域，损失函数中的第一项为训练FCN网络提供监督信息，损失函数第二项MRF项利用区域一致性先验，约束FCN的网络输出Y_FCN与当前状态的分类矩阵Y区域一致平滑，损失函数的第三项Laplace(Y_FCN)计算FCN的网络输出Y_FCN的锐度，用于维持FCN网络输出Y_FCN的边缘信息；

更新分类矩阵的步骤如下：

S801、利用采样矩阵A、采样标签矩阵分类矩阵Y和全卷积网络的输出Y_FCN,最小化目标函数得到最优的Y^*，最小化的目标函数如下：

其中，为全卷积网络的输出Y_FCN在一维索引下的第j个元素，Y_i,j∈R^C是分类矩阵Y第i行第j列的元素，目标函数中第一项为更新分类矩阵Y提供监督信息，目标函数中第二项利用区域一致性先验约束分类矩阵Y与上一阶段训练好的FCN网络的输出Y_FCN保持区域平滑一致，Laplace(Y)计算分类矩阵Y的锐度，用于维持分类结果的边缘信息，||A⊙Y-A⊙Y_FCN||将上一阶段训练好的FCN的输出耦合进分类矩阵的更新过程中，作为更新分类矩阵过程中新的约束信息；令上述目标函数对Y的导函数等于零，得到最优Y^*如下：

其中，α、β、γ是超参数；Y_NN8的每个元素定义如下：

D_V(Y)中的每个元素v_i,j定义如下：

其中，

M是图像行数，N是图像列数；

S802、然后用步骤S801中得到的最优Y^*更新分类矩阵Y。