滑文强 王 爽 郭岩河 谢 雯

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)

1 引言

极化SAR图像分类作为极化SAR图像理解与解译的重要研究内容，近年来受到越来越多研究者的关注，并广泛应用到各个领域，如土地覆盖类型判别、地面目标检测、地质勘探、植被种类判别等[1-3]。根据分类方法中标记样本和无标记样本的利用方式，极化SAR地物分类方法主要可以分为3种类型：无监督分类方法[4，5]、监督分类方法[6，7]和半监督分类方法[8，9]。

对于极化SAR图像分类问题，监督分类方法通常比无监督分类更容易获得好的分类结果，但是监督分类方法通常需要充足的标记样本作为训练样本，而实际中标记样本的获取是非常困难，需要耗费大量的人力物力。而无标记数据获取相对容易，并且无标记的数据也能反映数据的某些信息，能够有效地帮助学习分类器。因此，如何利用大量的无标记样本对少量的标记样本进行补充辅助训练的半监督学习方法，引起了研究者的广泛关注，成为了当前研究的热点。近年来，很多半监督分类方法被提出来，如自训练(Self-training)方法[10]、协同训练方法(Co-training和Tri-training)[11，12]、标签传播聚类算法、基于图的半监督分类算法[13，14]和基于半监督的神经网络算法[15-17]等。然而针对极化SAR图像分类问题的半监督方法研究较少，Hansch[18]提出了一种基于聚类算法的半监督极化SAR分类方法，将半监督思想同聚类方法相结合，通过被选择未标记样本对聚类中心进行约束，利用未标记样本的约束影响聚类中心，获得更好的分类结果。……