[发明专利]基于时相一致性伪标签的半监督SAR图像建筑区提取方法

说明书

本发明提供的是一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，本发明利用时间序列SAR图像中的语义不变性获取一致性约束，将不同时间点的SAR图像间的非语义变化看作是天然数据增强的结果，同时对两个支路的模型使用不同的初始化参数，构造模型参数层面的扰动，数据和模型层面的扰动能够增强模型预测的稳定性和对数据噪声的鲁棒性。本发明采用的基于时相一致性伪标签的半监督SAR图像建筑区提取方法，能够有效利用无标注SAR图像序列中的信息，得到更好的建筑区提取效果。

技术领域

本发明属于图像处理技术领域，特别涉及基于时相一致性伪标签的半监督SAR图像建筑区提取方法。

背景技术

随着合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术的发展，SAR图像的解译成为大量研究工作的重点。SAR具有全天时、全天候观测的优势，在各领域有着广泛的应用。传统的SAR图像建筑区提取采用人为设计的特征或者对SAR图像的数据分布进行建模的方法，鲁棒性较低，而由于SAR图像的标注较为困难，目前缺乏公开的大规模建筑区提取数据集，这限制了基于深度神经网络的SAR图像建筑区提取方法的发展。半监督学习方法利用无标注数据中的信息优化模型，能够有效地缓解标注数据缺乏的问题，但是目前半监督学习方法在普通光学图像上已经有较多的研究，也取得了较多的成果，但是专门针对于SAR图像的半监督学习建筑区提取方法还未见公开研究发表。时间序列SAR图像是拍摄于同一地域不同时间的图像，当时间间隔较短时，其语义信息能够保持一致性，但是由于传感器噪声等各种因素的干扰，不同时间点图像在灰度上会存在一些差异，如图1所示，这可以看为是一种天然的数据增强方式。由于SAR图像的成像机理和普通光学图像存在较大差异，数据分布与光学图像不同，直接将光学图像中的半监督学习方法应用于SAR图像难以取得令人满意的效果。总的来说，基于半监督学习的SAR图像建筑区提取还尚未解决，存在以下两点挑战：(1)SAR图像和普通光学图像成像机理不同，光学图像中的半监督建筑区提取方法大多通过对输入图像施加不同数据增强的方式获取一致性约束，直接应用在SAR图像中会改变SAR图像中的数据分布，导致模型效果下降；(2)现有的SAR图像半监督学习方法尚未有效利用时相一致性信息。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法，该方法能够更好地利用无标注SAR图像中的信息，以更高的精度实现SAR图像建筑区提取。

本发明提供的基于时相一致性伪标签的半监督SAR图像建筑区提取方法，包括以下具体步骤：

步骤1：将有标注的SAR图像数据同时输入到两支路具有相同结构，但是不同初始化参数的深度卷积神经网络G_θ1(·)和G_θ2(·)中，得到两个网络的预测结果，即将有标注SAR图像I_l同时输入两个深度神经网络得到预测结果p₂＝G_θ2(I_l)；其中θ₁和θ₂分别为第一支路和第二支路网络的参数。

步骤2：计算两个支路网络输出结果与人工标注间的损失函数其中W和H分别为输入图像的宽和高，i为像素点的编号，p_1i和p_2i分别为第一个支路网络和第二个支路网络对输入图像第i个像素点的预测输出，为输入数据中的第i个数据点的人工标签，l_ce为交叉熵损失函数，其表达式为l_ce＝ylny'+(1-y)ln(1-y')其中y为数据标签，y'为网络预测结果。

步骤3：将无标注的时间序列SAR图像随机平均划分，得到两组无标注输入图像，即将具有n个时间点的时间序列SAR图像划分为两组分别为I_u1和I_u2，其中I_u1和I_u2的图像数量均为