[发明专利]协作生成对抗网络和空谱联合的高光谱图像分类方法

说明书

本发明公开一种基于协作生成对抗网络和空谱联合的高光谱图像分类方法，其步骤如下：输入高光谱图像；获取样本集；产生训练样本与测试样本；搭建多尺度判别器；构建协作关系；搭建协作生成对抗网络；训练样本通过多尺度判别器产生初始值；生成器生成样本；多尺度判别器进行分类；构建生成器和多尺度判别器的损失函数；交替训练生成器与多尺度判别器；对高光谱图像进行分类。本发明利用搭建的协作生成对抗网络，提取像元的空谱联合特征，同时生成样本更加逼真，增加样本数量，缓解了网络过拟合、网络收敛速度慢的问题，提高了高光谱图像分类的准确性。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种协作生成对抗网络和空谱联合的高光谱图像分类方法。本发明可以在采集的高光谱图像中对水下障碍物及陆地上坦克军舰进行检测识别，以及对高光谱图像中的农作物进行种类分析。

背景技术

高光谱图像可获取目标地物在紫外、可见光、近红外和中红外等大量波段内近似连续的光谱信息，并以图像的形式描述地物的空间分布关系，从而建立“图谱合一”的数据，可以实现对地物精确的辨别与细节提取，对于认识客观世界提供了有利条件。近年来，基于向量的机器学习算法如随机森林、支撑向量机，以及基于深度学习的卷积神经网络算法等已经应用在高光谱图像的分类上，均取得了不错的效果。然而，随着高光谱成像技术的进一步发展和应用程度的不断深入，高光谱图像分类领域依然存在以下一些问题，一方面随着空间和光谱分辨率的提高，高光谱图像的空间信息和光谱信息量猛增，传统的方法不能充分提取这两类信息中的高辨识性特征并进行两种特征的融合分类，导致分类精度不高，另一方面在高光谱图像中，深度学习需要大量的有标签数据作为训练样本，而在高光谱图像中，难以收集到足够的有标签数据，因此在基于深度学习的高光谱图像分类中，高光谱图像小样本问题严重限制了高光谱图像的分类精度。

佛山市南海区广工大数控装备协同创新研究院在其申请的专利文献“基于K最近邻滤波的高光谱图像分类方法”(专利申请号：201710142633.X，公开号：CN107092921A)中提出了一种高光谱图像分类方法。该方法首先利用支撑向量机SVM分类器对高光谱图像进行粗分类，得到初始概率图后，利用主成分分析法对高光谱图像降维得到第一主成分图像，然后基于非局部K最近邻滤波器，在第一主成分图像的引导下提取高光谱图像的空间信息，对初始概率图进行优化，最后根据优化后的概率图，获取高光谱图像的准确分类。该方法虽然不用去求解复杂的全局能量最优化问题，就能提取高光谱图像的非局部空间信息去优化分类，但是，该方法仍然存在的不足之处是，针对高光谱图像同类像素光谱差异性大而不同类像素空间特征差异小的问题，只提取高光谱图像的空间特征，会导致大量错分现象，从而导致分类准确性不高。

广东省智能制造研究所在其申请的专利文献“基于卷积神经网络及空谱信息融合的高光谱图像分类方法”(专利申请号：201711056964.8，公开号：CN107909015A)中提出了一种基于卷积神经网络及空谱信息融合的高光谱图像分类方法。该方法首先提取高光谱图像每一像素点的X、Y轴坐标作为空间信息，并将空间信息与光谱信息合并，作为一个样品的特征信息，然后随机划分训练集与测试集数据，再将包括空间信息与光谱信息的训练集样本放入一维卷积神经网络，训练分类模型，最后将包括空间信息与光谱信息的训练集样本放入分类模型，进行分类预测。该方法虽然充分利用了高光谱数据“空谱合一”的特征以及“双高分辨率”的特征，但是，该方法仍然存在的不足之处是，使用卷积神经网络训练时，网络参数多导致网络训练时间长，且样本数目相对于网络参数数目过少，导致网络出现过拟合，从而导致分类准确性不高。

发明内容

本发明的目的是针对上述现有技术的不足，提出了一种基于协作生成对抗网络和空谱联合的高光谱图像分类方法。