王爽3,,
郭岩河3,,
谢雯1,
①.西安邮电大学计算机学院 ??西安 ??710121
②.西安邮电大学陕西省网络数据分析与智能处理重点实验室 ??西安 ??710121
③.智能感知与图像理解教育部重点实验室 国际智能感知与计算联合研究中心西安电子科技大学 ??西安 ??710071
基金项目:国家自然科学基金面上项目(61771379)，陕西省普通高等学校重点学科专项
详细信息
作者简介:滑文强(1987–)，男，陕西西安人，现为西安邮电大学计算机学院讲师，研究方向为极化SAR图像处理。E-mail: huawenqiang2013@163.com
王爽：王 爽(1978–)，女，西安电子科技大学教授，博士生导师，智能信息处理研究所副所长，智能感知与图像理解教育部重点实验室成员，国家“111”计划创新引智基地成员，IEEE会员，IET会员，中国电子学会会员，中国计算机学会会员。主要从事SAR/PolSAR处理与分析、稀疏表示、机器学习等方面的研究工作。E-mail: shwang@mail.xidian.edu.cn
郭岩河(1990–)，男，福建泉州人，西安电子科技大学博士研究生，主要研究方向为极化SAR图像处理、深度学习、机器学习等。E-mail: 1153603266@qq.com
谢雯：谢 雯(1989–)，陕西西安人，现为西安邮电大学通信工程学院讲师，主要研究方向为极化SAR图像处理。E-mail: xiewen236@163.com
通讯作者:滑文强 ?huawenqiang2013@163.com
中图分类号:TN958计量
文章访问数:1844
HTML全文浏览量:634
PDF下载量:171
被引次数:0
出版历程
收稿日期:2018-12-03
修回日期:2018-12-28
网络出版日期:2019-02-19
Semi-supervised PolSAR Image Classification Based on the Neighborhood Minimum Spanning Tree
HUA Wenqiang1,2,,,WANG Shuang3,,
GUO Yanhe3,,
XIE Wen1,
①. School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121, China
②. Shaanxi Key Laboratory of Network Data Analysis and Intelligent Processing, Xi’an University of Posts and Telecommunications, Xi’an 710121, China
③. Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, International Research Center for Intelligent Perception and Computation, Xidian University, Xi’an, 710071, China
Funds:The National Natural Science Foundation of China (61771379), Shaanxi Key Disciplines of Special Funds Projects
More Information
Corresponding author:HUA Wenqiang, huawenqiang2013@163.com
摘要
摘要:该文针对极化SAR图像分类中只有少量标记样本的问题，提出了一种基于邻域最小生成树的半监督极化SAR图像分类方法。该方法针对极化SAR图像以像素为分类对象的特点，结合自训练方法的思想，利用极化SAR图像像素点的空间信息，提出了基于邻域最小生成树辅助学习的样本选择策略，增加自训练过程中被选择无标记样本的可靠性，扩充标记样本数量，训练更好的分类器。最终用训练好的分类器对极化SAR图像进行测试。对3组真实的极化SAR图像进行测试，实验结果表明，该方法在只有少量标记样本的情况下能获得满意的分类结果，且分类正确率明显优于传统的分类算法。
关键词:极化SAR图像/
地物分类/
半监督/
最小生成树
Abstract:In this paper, a novel semi-supervised classification method based on the Neighborhood Minimum Spanning Tree (NMST) is proposed to solve the Polarimetric Synthetic Aperture Radar (PolSAR) terrain classification when labeled samples are few. Combining the idea of self-training method and spatial information of the pixels in PolSAR image, a new help-training sample selection strategy based on spatial neighborhood information is proposed, named as NMST, to select the high reliable unlabeled samples to enlarge the training set and improve the base classifier. Finally, the PolSAR image is classified by this improved classifier. The experiments results tested on three PolSAR data sets show that the proposed method achieves a better performance than existing classification methods when the number of labeled samples is few.
Key words:PolSAR/
Terrain classification/
Semi-supervised learning/
Minimum spanning tree
PDF全文下载地址:
https://plugin.sowise.cn/viewpdf/198_b0db2f9b-9f36-470a-b0c4-309d13771c73_R18104
