[發明專利]基于協同訓練半監督學習的遙感影像水體提取方法及系統

有效

• 申請號: 201510616672.X
• 申請日: 2015-09-24
• 公開（公告）號: CN105279519B
• 公開（公告）日: 2018-09-21
• 發明（設計）人: 韓宇韜;呂琪菲;周保琢;谷永艷;張至怡;楊宇彬;宋勇
• 申請（專利權）人: 四川航天系統工程研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 四川省成都市天策商標專利事務所 51213
• 代理人: 劉渝

本發明涉及水體遙感技術領域，提供一種基于協同訓練半監督學習的遙感影像水體提取方法及系統，以解決目前采用監督分類方法進行遙感影像水體提取時，由于人工選擇的樣本數量不足導致水體提取精度較差的問題，該系統包括遙感影像特征提取模塊、雙視圖構建模塊、分類器訓練模塊和分類模塊，分類器訓練模塊包括初始化模塊、樣本標注模塊、樣本集合更新模塊和迭代控制模塊。本發明提出的技術方案在小樣本情況下依然能夠保證高分辨率遙感影像水體提取的精度，從而可以降低人工標注訓練樣本的工作量和復雜度。

技術領域

本發明涉及水體遙感技術領域，特別涉及一種基于協同訓練半監督學習的遙感影像水體提取方法及系統。

背景技術

傳統的遙感影像水體提取方法包括水體指數法、譜間關系法，另外在影像空間分辨率較高而波段數目較少的情況下常常使用影像分類法。目前遙感影像水體提取研究中多采用的是監督分類方法，例如最大似然法、支持向量機、神經網絡法等等，采取這些方法進行水體提取的基本步驟是：

(1)提取影像每個像元的特征(以光譜特征和紋理特征為主)組成特征向量；

(2)選取一些訓練樣本(標注為水體或非水體)，并采用某種監督學習方法對訓練樣本集進行學習，學習目的是達到最小化經驗風險或結構風險，最終得到一個決策函數或規則；

(3)采取上述決策函數或規則對影像中所有的未知類別的像元進行分類，判斷為水體或非水體，以達到水體提取的目的。

當影像中背景地物比較復雜的時候，由于同物異譜和同譜異物現象的存在，導致采取傳統監督分類法時往往難以獲取代表性足夠好的訓練樣本，從而影響到水體提取的精度。那么，為了提高水體提取的精度，就必須獲取足夠多甚至是無限多的訓練樣本，而且訓練樣本的數量自然是越多越好，因此獲取大量的訓練樣本就成為了最重要的條件。但是人工標注的樣本畢竟是有限的，而且標注訓練樣本的操作復雜度是很高的，因此獲取大量標注的樣本是不現實的，必須尋求其他途徑。

發明內容

【要解決的技術問題】

本發明的目的是提供一種基于協同訓練半監督學習的遙感影像水體提取方法，以解決目前采用監督分類方法進行遙感影像水體提取時，由于人工選擇的樣本數量不足導致水體提取精度較差的問題。

【技術方案】

本發明是通過以下技術方案實現的。

本發明首先涉及一種基于協同訓練半監督學習的遙感影像水體提取方法，包括步驟：

A、提取遙感影像的光譜特征和紋理特征，所述光譜特征至少包括遙感影像各波段數據X、水體指數NDWI和植被指數NDVI，所述紋理特征至少包括遙感影像的灰度共生矩陣的角二階矩ASM、該灰度共生矩陣的均勻性HOM、該灰度共生矩陣的熵ENT和遙感影像分形紋理模型的分形維數FD，其中X＝[B₁,B₂,...,B_n]^T，n為波段數，B_i為波段i影像的灰度值，1≤i≤n；

B、根據步驟A中提取到的遙感影像的光譜特征和紋理特征構建如下式所示的雙視圖：

C、從遙感影像中選擇初始訓練樣本并對初始訓練樣本進行標注得到標注樣本集合L，從遙感影像剩余像元中隨機生成未標注樣本集合U；

D、設置最大迭代次數，從未標注樣本集合U中隨機取出一個樣本子集U'；