[發明專利]一種基于生成對抗網絡的高分辨率遙感圖像分類方法

有效

• 申請號: 202010466429.5
• 申請日: 2020-05-28
• 公開（公告）號: CN111709318B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 石程;呂志勇;楊秀紅;尤珍臻
• 申請（專利權）人: 西安理工大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/82;G06V10/764;G06V10/774;G06N3/045;G06N3/0464;G06N3/0475;G06N3/048;G06N3/094;G06N3/084
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 楊洲

1.一種基于生成對抗網絡的高分辨率遙感圖像分類方法，其特征在于，包括如下步驟：

步驟1：輸入高分辨率遙感圖像和該圖像中每個像素的真實類標圖像，選擇訓練樣本集和測試樣本集；

步驟2：根據訓練樣本集，利用5折交叉驗證法，用深度卷積神經網絡進行分類，得到均值混淆矩陣；

步驟3：根據均值混淆矩陣構造M組訓練類別對，其中M為高分辨率遙感圖像的類別數，分別對每一個訓練類別對，執行步驟4-步驟8；

步驟4：分別對每一個訓練類別對，構造訓練樣本對x_A(i)和x_B(i)，i＝1，...，100，設置對應的臨時類標為l_A(i)和l_B(i)，其中，l_A(i)＝0，l_B(i)＝1；分別將每一個訓練樣本對按照光譜維數方向組合成一個圖像塊；

步驟5：搭建生成對抗網絡，并構造生成器和判別器損失函數；

步驟6：輸入圖像塊，分別對生成器和判別器的損失函數交替進行訓練，直到達到預先設定的迭代次數；

步驟7：根據步驟6，將訓練樣本對x_A(i)和x_B(i)按照光譜維數方向組合成一個圖像塊，并將圖像塊輸入到訓練好的生成器中，生成最終的混合樣本g_AB(i)；

步驟8：將最終的混合樣本g_AB(i)的類標指定為訓練樣本x_A(i)在真實類標圖上的真實類標，將最終生成的所有混合樣本g_AB(i)，i＝1，...，100加入訓練樣本集合中；

步驟9：根據更新的訓練樣本集合，對步驟2中構造的深度卷積神經網絡再次進行訓練，并將測試樣本集內的樣本輸入到訓練好的深度卷積神經網絡中，輸出測試樣本的預測標簽，獲得分類結果。

2.根據權利要求1所述的一種基于生成對抗網絡的高分辨率遙感圖像分類方法，其特征在于，所述步驟1的具體做法為：

步驟1.1：以高分辨率遙感圖像中的每個有標簽的像素為中心，劃定一個27×27個像素大小的空間窗；

步驟1.2：將每個空間窗內所有的像素組成一個數據立方體；

步驟1.3：將所有的數據立方體組成高光譜圖像的樣本集；

步驟1.4：在高分辨率遙感圖像的樣本集中，分別對每一類隨機選取100個樣本，組成高分辨率遙感圖像的訓練樣本集；將剩余樣本組成高分辨率遙感圖像的測試樣本集。

3.根據權利要求1所述的一種基于生成對抗網絡的高分辨率遙感圖像分類方法，其特征在于，所述步驟2的具體做法為：

步驟2.1：將訓練樣本集等分為5個子集，輪流將每個子集做一次驗證子集，其余的4組子集結合起來作為訓練子集，這樣會得到5個組合，分別對每一個組合，執行步驟2.2-步驟2.4；

步驟2.2：構造一個4層的三維深度卷積神經網絡，并將訓練子集作為該三維深度卷積神經網絡的輸入，對該網絡進行訓練，得到訓練好的三維深度卷積神經網絡；

步驟2.3：將驗證子集的樣本輸入到步驟2.2中訓練好的三維深度卷積神經網絡，根據網絡中訓練好的參數值，得到驗證子集內每一個樣本的預測類標；

步驟2.4：根據驗證子集內每一個樣本的預測類標和真實類標，計算混淆矩陣；

步驟2.5：計算5個混淆矩陣的均值，得到均值混淆矩陣。

4.根據權利要求1所述的一種基于生成對抗網絡的高分辨率遙感圖像分類方法，其特征在于，所述步驟3中的根據均值混淆矩陣構造M組訓練類別對的具體做法為：分別對均值混淆矩陣的第k行，將第k個數值對應的列號設置為A類的類別，將同一行的除了第k個數值之外其余最大數值對應的列號設置為對應的B類的類別，A類和B類被認為是一個訓練樣本對，總共可以獲得M個訓練樣本對。