[发明专利]基于协同训练半监督学习的遥感影像水体提取方法及系统

说明书

本发明涉及水体遥感技术领域，提供一种基于协同训练半监督学习的遥感影像水体提取方法及系统，以解决目前采用监督分类方法进行遥感影像水体提取时，由于人工选择的样本数量不足导致水体提取精度较差的问题，该系统包括遥感影像特征提取模块、双视图构建模块、分类器训练模块和分类模块，分类器训练模块包括初始化模块、样本标注模块、样本集合更新模块和迭代控制模块。本发明提出的技术方案在小样本情况下依然能够保证高分辨率遥感影像水体提取的精度，从而可以降低人工标注训练样本的工作量和复杂度。

技术领域

本发明涉及水体遥感技术领域，特别涉及一种基于协同训练半监督学习的遥感影像水体提取方法及系统。

背景技术

传统的遥感影像水体提取方法包括水体指数法、谱间关系法，另外在影像空间分辨率较高而波段数目较少的情况下常常使用影像分类法。目前遥感影像水体提取研究中多采用的是监督分类方法，例如最大似然法、支持向量机、神经网络法等等，采取这些方法进行水体提取的基本步骤是：

(1)提取影像每个像元的特征(以光谱特征和纹理特征为主)组成特征向量；

(2)选取一些训练样本(标注为水体或非水体)，并采用某种监督学习方法对训练样本集进行学习，学习目的是达到最小化经验风险或结构风险，最终得到一个决策函数或规则；

(3)采取上述决策函数或规则对影像中所有的未知类别的像元进行分类，判断为水体或非水体，以达到水体提取的目的。

当影像中背景地物比较复杂的时候，由于同物异谱和同谱异物现象的存在，导致采取传统监督分类法时往往难以获取代表性足够好的训练样本，从而影响到水体提取的精度。那么，为了提高水体提取的精度，就必须获取足够多甚至是无限多的训练样本，而且训练样本的数量自然是越多越好，因此获取大量的训练样本就成为了最重要的条件。但是人工标注的样本毕竟是有限的，而且标注训练样本的操作复杂度是很高的，因此获取大量标注的样本是不现实的，必须寻求其他途径。

发明内容

【要解决的技术问题】

本发明的目的是提供一种基于协同训练半监督学习的遥感影像水体提取方法，以解决目前采用监督分类方法进行遥感影像水体提取时，由于人工选择的样本数量不足导致水体提取精度较差的问题。

【技术方案】

本发明是通过以下技术方案实现的。

本发明首先涉及一种基于协同训练半监督学习的遥感影像水体提取方法，包括步骤：

A、提取遥感影像的光谱特征和纹理特征，所述光谱特征至少包括遥感影像各波段数据X、水体指数NDWI和植被指数NDVI，所述纹理特征至少包括遥感影像的灰度共生矩阵的角二阶矩ASM、该灰度共生矩阵的均匀性HOM、该灰度共生矩阵的熵ENT和遥感影像分形纹理模型的分形维数FD，其中X＝[B₁,B₂,...,B_n]^T，n为波段数，B_i为波段i影像的灰度值，1≤i≤n；

B、根据步骤A中提取到的遥感影像的光谱特征和纹理特征构建如下式所示的双视图：

C、从遥感影像中选择初始训练样本并对初始训练样本进行标注得到标注样本集合L，从遥感影像剩余像元中随机生成未标注样本集合U；

D、设置最大迭代次数，从未标注样本集合U中随机取出一个样本子集U'；