[發明專利]基于深度半監督遷移學習的多光譜遙感圖像地物分類方法

在審

• 申請號: 201710648900.0
• 申請日: 2017-08-01
• 公開（公告）號: CN107451616A
• 公開（公告）日: 2017-12-08
• 發明（設計）人: 焦李成;屈嶸;程林;唐旭;張丹;陳璞花;馬文萍;侯彪;楊淑媛;尚榮華
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司61200
• 代理人: 徐文權

技術領域

本發明屬于遙感圖像處理技術領域，具體涉及一種基于深度半監督遷移學習的多光譜遙感圖像地物分類方法，基于像素級別對有少量標記樣本的多光譜圖像分類，也可用于目標識別。

背景技術

多光譜遙感圖像是同時在多個窄的光譜波段上對同一對象(地域或目標)進行觀測所獲得的圖像，它反映了觀測對象在各個窄光譜波段上的反射、透射或輻射特性，因而包含了觀測對象的更多信息。隨著衛星傳感器質量和數量的不斷提高，針對多光譜遙感圖像的分類研究理論也逐漸成熟，相對于傳統的遙感圖像，多光譜遙感圖像的波段信息豐富，空間信息更加充實。基于像元的多光譜遙感圖像分類是根據各個像素點在不同的多光譜波段上的個性特征，使用某些算法或決策區分為不同類別。從過去到現在，多光譜遙感分類一直是廣大研究人員的重點研究對象，在分類方法上進行了大量的研究。

一般而言，遙感圖像分類方法可以分為非監督分類和監督分類。在監督分類中，分類器的訓練是采用大量帶類別標記的樣本，在許多實際應用中，標記樣本是匱乏的，并且獲取有效標記樣本的代價十分昂貴。非監督分類指的是在沒有先驗類別作為樣本的條件下，根據像元間相似度大小進行計算自動判別歸類。半監督學習，與傳統的監督學習不同，能同時在少量的已標記數據和大量的未標記數據上進行學習，從而提高性能。

目前，很多學習任務因為有標簽的數據過于稀少而不能產生準確率比較理想的學習器。為解決這種監督性的問題，引入了遷移學習。其基本思路是利用相關領域的知識結合或不結合目標域的知識，建立起針對目標領域的學習算法，以完成相關的學習任務。傳統的機器學習算法都是假定源域和目標域有著相同的概率分布。當源域和目標域分布不同時，遷移效果將會大打折扣甚至出現負遷移，因此提出多視角的遷移學習，它是通過不同視角對對象進行更加全面的描述。由于對于一件事物的描述經常會存在很多屬性，比如分析一個人的表述含義，會有口型、聲音、肢體動作等多種描述屬性，從不同的角度分析就會得到其真實含義的一個側面，結合各個角度的分析結果，配合多個訓練數據域，便能在目標域中訓練出更加可靠有效地學習器。本文就是從兩個不同視角對源域進行訓練，得到兩個不同的學習器，再進行樣例遷移。

協同訓練是一種流行的半監督學習算法，已成為目前機器學習和模式識別領域中的一個研究熱點。最初的協同訓練算法(或稱為標準協同訓練算法)是A.Blum和T.Mitchell[BlumM98]在1998年提出的，目前為止，大部分協同訓練的兩個模型都提取的是淺層特征，并且在分類器訓練過程中，無標記數據的引入容易產生噪音，導致訓練走偏，從而降低分類精度。為此，提出一種基于多視角深度半監督和自適應跨領域樣例遷移學習的像元級分類算法。利用相似域的樣本和目標域少量的標記樣本提取深度特征，再結合樣本數據自身的結構信息，計算無標記樣本所屬類別概率，以此來提高選取無標記數據分類的正確率，減少噪音的引入。在IGRSS2017數據融合競賽的數據集上進行對比實驗驗證了該算法的有效性。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于深度半監督遷移學習的多光譜遙感圖像地物分類方法，以提高目標域的分類精度，解決訓練樣本不足以及訓練與測試樣本分布不一致的問題。

本發明采用以下技術方案：

基于深度半監督遷移學習的多光譜遙感圖像地物分類方法，當訓練樣本不足時，使用與目標域相似的源域以及目標域未標記的樣本輔助目標域數據進行分類，更新分類結果圖以及協同訓練的訓練樣本和kNN訓練樣本；再重新訓練協同訓練的兩個CNN網絡，重復上述步驟，將測試高光譜圖片中有類標的點輸入協同訓練模型預測分類結果，得到兩個分類結果，選擇置信度高的分類結果作為最終的輸出結果，得出RGB彩色結果圖，與真實有標簽ground truth的RGB彩色圖進行對比，計算出分類正確率。

優選的，包括以下步驟：

S1、輸入訓練樣本的多光譜遙感圖像，根據ground truth取出訓練數據集D和kNN數據K1和K2；

S2、將訓練數據集D分成兩部分，分別訓練兩個不同的CNN模型CNN1和CNN2；

S3、輸入測試城市待分類的多光譜圖像，將測試城市測試數據逐像素滑塊，取28×28×9的數據塊，逐行預測類標值，將所有的測試數據分別輸入兩個訓練好的CNN模型，CNN1模型測試得出類標結果圖F1，CNN2模型測試得出類標結果圖F2；

S4、根據步驟S1的訓練樣本K1和K2構造兩個大小均為50個樣本的kNN鄰近算法圖kNN1和kNN2；