[發明專利]一種基于Triple GAN的高光譜圖像分類方法

有效

• 申請號: 202010847535.8
• 申請日: 2020-08-21
• 公開（公告）號: CN112115795B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 薛朝輝;鄭曉菡
• 申請（專利權）人: 河海大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/40;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 田凌濤

本發明涉及一種基于Triple GAN的高光譜圖像分類方法，首先采用主成分算法壓縮高光譜影像光譜特征，以降低特征維度并減少冗余性；之后獲得高光譜樣本圖像所對應預設各種待選圖像特征；然后應用Triple GAN分類網絡完成分別基于各種待選圖像特征下的高光譜樣本圖像分類操作，結合高光譜樣本圖像的實際分類，選擇最高分類準確率所對應的待選圖像特征，作為樣本圖像集所對應的目標圖像特征；最后以目標圖像特征為輸入，高光譜樣本圖像的實際分類為輸出，完成針對Triple GAN分類網絡的訓練，獲得圖像分類模型；則在實際應用中，通過目標圖像特征，應用圖像分類模型即可完成目標高光譜圖像的分類，由此實現了對高光譜圖像的高效分類，保證實際工作效率。

技術領域

本發明涉及一種基于Triple GAN的高光譜圖像分類方法，屬于遙感圖像處理技術領域。

背景技術

遙感指在航空航天平臺上通過特定成像儀器采集觀測目標電磁波譜段，并成像以獲取觀測對象多方面特征信息的信息采集方式。自上個世紀60年代現代遙感技術投入使用以來，該技術已經在各個領域發揮了巨大的作用，因此現代遙感技術已經成為衡量一個國家技術發展水平和綜合實力的重要標志。為了進一步加強人類對地球資源、自然環境和地外空間探索開發的能力，同時擴展人類監測地表各種異常氣候的手段，各國政府投入了大量資源研發兼具高空間分辨率和高光譜分辨率的高科技探測儀器，高光譜遙感技術應運而生。作為當前遙感方面的前沿技術，高光譜遙感具有高光譜分辨率和圖譜合一的特點，是遙感技術發展史上一次巨大的突破。

高光譜遙感影像的特殊之處在于它由幾十到上百個波段組成，其光譜分辨率比多光譜遙感更高，可以達到甚至超過10nm。因此高光譜遙感影像能夠提供比傳統遙感影像更為精細的光譜信息，從而發現許多存在于狹窄光譜范圍中的地物特性，提升遙感技術對于地物信息獲取的能力。在獲取地物空間影像的同時，影像上的每個像元都能提取到一條包含豐富光譜特征的連續光譜曲線，精細的光譜分辨率有助于對地物進行準確的識別和分類。目前，高光譜遙感影像已經被廣泛應用于地質制圖、環境監測、植被調查、農業遙感、海洋遙感、大氣研究等領域，發揮著越來越重要的作用。當前，對于高光譜影像數據的處理研究已經受到國內外學者的廣泛關注。

近年來，深度學習方法在高光譜遙感影像監督分類方面已經有了較大的發展，目前有五種深度學習網絡已經被用于高光譜影像分類，分別為堆棧自編碼器SAE(StackedAutoencoder)、深度置信網絡DBN(Deep Belief Network)、卷積神經網絡CNN(ConvolutionNeural Network)、循環神經網絡RNN(Recurrent Neural Network)、對抗式生成網絡GAN(Generative Adversarial Networks)。其中在GAN方面，Zhu等人將AC-GAN網絡結構首次應用于高光譜影像分類，通過更改網絡中卷積結構分別提出1D-GAN和3D-GAN來對光譜特征和空譜聯合特征進行分類；劉群等人將ACGAN作為光譜特征提取器，與LBP處理后的空間特征結合放入CNN中進行分類，得到了較好結果；吉貝貝提出修改對抗生成網絡中判別網絡的輸出結構使其不再進行判斷真假的操作，轉而完成圖片分類任務，通過在光譜特征和空譜結合特征上的實驗充分證明了其有效性。

在分類策略改進層面，Ma等人提出使用結合多決策標簽和深度特征學習的方法從無標記樣本中獲取盡可能多的信息以提升分類效果，其中多決策標簽來自于基于鄰域加權信息的局部決策標簽與深度學習預測相似樣本得到的全局決策標簽，兩者結合在一起篩選出具有較高同類別可能性的無標記樣本并將其加入訓練樣本，之后再使用深度學習進行空譜特征提取與分類工作。與之相似的還有Li等人提出的使用像素對特征進行分類決策的方法，在該方法中鄰域斑塊內的鄰近像元與中心像元都會被放入深度網絡中預測，但最終中心像元的類別由整個鄰域斑塊中各像元預測結果投票決定。Liu等人使用深度殘差3D-CNN提取出空譜聯合特征，通過分批訓練網絡將特征映射到其他可分性更強的空間，在該空間中相同類別的樣本分布集中，而不同類別樣本距離較遠，之后直接使用最近鄰分類器判斷樣本類別，該方法在訓練樣本極少的情況下也有較好表現。