基于跨领域迁移学的SAR图像地物分类方法

摘要

本发明提供一基于跨领域迁移学的SAR图像地物分类方法，采用跨领域迁移学算法，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。

主权项

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。