[发明专利]一种高光谱遥感图像地物空间波谱特征提取方法及系统

说明书

本发明属于图像处理技术领域，公开了一种高光谱遥感图像地物空间波谱特征提取方法及系统，通过辅助分类器生成式对抗网络训练提取波谱特征；通过波段选择并从被选波段提取具有旋转不变的空间纹理特征；通过波谱特征和空间纹理特征的拼接形成地物空间波谱特征。同时公开一种采用上述地物空间波谱特征的、基于卷积神经网络的高光谱遥感图像分类系统。本发明验证了本发明公开的地物空间波谱特征提取技术不仅能更好的表征地物信息，还能以较少的标记数据集获得较高的分类准确率。

技术领域

本发明属于图像处理技术领域，尤其涉及一种高光谱遥感图像地物空间波谱特征提取方法及系统。具体涉及一种基于ACGAN的高光谱遥感图像地物空间波谱特征提取方法及系统。

背景技术

目前，业内常用的现有技术是这样的：

高光谱遥感图像地物分类的理论基础是不同地物对不同波段的光谱信号的吸收和反射率不同、具有不同的地物波谱特征曲线。根据已知的典型地物波谱曲线，可以将高光谱遥感图像中的像素划分到某个地物类别中去。高光谱遥感图像分类的应用领域主要包括：医学、农学、军事侦察、城市规划管理、环境与灾害监测、测绘及考古等。与多光谱遥感影像相比，高光谱影像在光谱信息精细程度上有了极大提高，应用领域也越来越广泛，但由于高光谱遥感图像的数据量大，数据维数高，且不同地物的波谱特征和空间分布特征千差万别，又存在“异物同谱”和“同物异谱”的现象，通常单纯依靠已知或传统统计学习的地物波谱曲线的分类精度达不到实际应用要求，常见的分类改进技术是结合图像的空间相关信息做预处理或后处理，但处理环节繁琐，分类效果的提高比较有限。因此，研究高光谱遥感图像中感兴趣地物的本质波谱特征提取技术，是提升高光谱遥感图像地物分类方法的应用基础研究，并具有的重要的实用价值。

一般来说，高光谱图像分类的流程包括：图像预处理；类别确定并标记训练样本；特征提取，包括光谱特征、纹理特征、形态特征、光照特征等；特征选择，包括基于信息量的波段选择，基于类间可分性的波段选择，基于聚类的波段选择等；分类，包括有监督和无监督两种分类方式；最后进行精度分析。

综上所述，现有技术存在的问题是：

(1)20世纪九十年代末，神经网络和支持向量机的思想开始应用在遥感图像分类中，精度和速度有了较大的提升。

高光谱图像维数高，采用有监督分类通常需要大量标记样本，样本不足导致分类精度受限的问题很常见。

针对样本不足，可以采用主动学习和手动标记。但是手动标记成本高，难度大，一般采用主动学习的方法。高光谱遥感图像的另一个特点是图像质量受环境影响大，波段间冗余大，特征包含更多不确定性。

针对此类问题，多数算法采用对数据进行预处理或波段选择的方式提升分类精度。近年来多特征融合的分类方式受到研究人员的青睐。提出了许多基于光谱特征、纹理特征、光照特征、形态特征等的特征融合算法。这些方法通常需要较多的标记样本，不适用于多类别、小样本的情况，应用性较差。Christian Szegedy等人研究发现，包括CNN在内的深度学习模型对于对抗样本具有极高的脆弱性，对抗样本成为了训练算法的一个盲点。

(2)高光谱遥感图像的波段是连续的波长被切分成数百个人工划分的、通常是等波长间隔的狭窄波段，而多光谱遥感图像的波段通常是没有全部连续十个上下的人工选择的波段。成像技术的发展趋势是从多光谱向高光谱发展，除了国际上已经推出的大量机载和星载高光谱传感器，我国第一颗高光谱综合观测卫星中国高分5号星载高光谱传感器正在顺利研制中，并计划将在2018年4月从太原发射。高光谱遥感图像的精细光谱蕴藏着许多地物波谱特性，需要采用最新的机器学习方法来挖掘这些地物的理化信息，根据高光谱成像用连续光谱观测连续地表分布的成像特性，构建地物空间波谱信息库是迫在眉睫的前沿基础技术，本发明就是从高光谱遥感基本原理出发研究并发现的有效地物空间波谱提取方法。