[发明专利]一种基于生成对抗网络的高分辨率遥感图像分类方法

说明书

本发明公开了一种基于生成对抗网络的高分辨率遥感图像分类方法，具体步骤为：输入高分辨率遥感图像及其类标图像，在高分辨遥感图像上选择训练样本集和测试样本集；构造均值混淆矩阵和相应的训练类别对，分别对每一个训练类别对，构造训练样本对，并对训练样本对进行合成，得到图像块；搭建生成对抗网络并构造生成器和判别器损失函数；输入图像块，分别对生成器和判别器损失函数交替训练；根据训练好的生成器生成混合样本；将混合样本加入训练样本集；根据新的训练样本集训练深度卷积神经网络，输入测试样本集到深度卷积神经网络中，输出预测类标，完成分类。本发明能够有效提高分类边界的分类精度，可用于到环境监测、城市规划以及防灾减灾。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于生成对抗网络的高分辨率遥感图像分类方法。

背景技术

自从1972年第一颗用于观测地球资源的卫星被发射升空之后，许多国家发现从空间采集的图像在发展规划和项目评估方面具有广泛的应用前景，我国也设立了高分专项工程，并从2010年以来，已经发射了9颗高分系列卫星。这些高分卫星为我们传输回了大量的高分辨率遥感图像，所以对海量的高分辨率遥感图像进行自动化的处理任务迫在眉睫。

高分辨率遥感图像处理的一个主要内容就是地物目标分类。分类是一种描述地物目标或种类的分析技术，其主要任务是对数据体的每个像素点赋予一个类别标记以产生专题地图的一种过程，它是人们从遥感影像上提取有用信息的重要途径之一。分类后产生的专题地图可以清晰地反映出地物的空间分布，便于人们从中认识和发现其规律，使高分辨率遥感图像具有真正的使用价值并有效的投入到实际应用中。

传统的高分辨率遥感图像分类方法是目视解译，目视技术利用了人类优秀的思维能力来定性评价图像中的空间模式。这种方法存在一定的缺点，它需要图像目视判读者具有丰富的地学知识和目视判读经验，并且劳动强度大，需要花费大量的时间。另外光谱特性不是都可以用目视解译的方法全面评定的。为了提高分类的质量和效率，从上世纪70年代起，人们开始重视由计算机自动获取遥感图像中专题信息的方法研究。当时主要是利用传统的统计模式识别方法进行遥感计算机解译，分类精度不能够令人满意，随着遥感影像不断的发展变化，对分类算法也在不断的提出新的要求，因此改进现有分类算法，寻找新的方法一直是遥感应用研究中的热点之一。

目前，市场上使用较多的分类方法大多属于全监督学习分类技术。传统的监督学习算法只对大量的已标注样本进行学习，建立模型来预测未标注样本的输出。飞速发展的遥感数据收集和存储技术使得获取大量的未标注样本非常容易，而获取大量的已标注样本却非常困难。在遥感领域，样本标注需要花费大量的人力物力，且目视解译容易标注出错。为了尽可能准确的识别出未标注样本，提高分类精度，需要对大量样本进行人工标注，提高目视解译准确率，非常耗时耗力。因此当前高分辨率遥感图像分类研究中最关注的问题是如何结合少量的“昂贵的”已标注样本和大量的“廉价的”未标注样本来提高高分辨率遥感图像的分类精度，这种技术被称为半监督分类。

半监督分类技术通常采用归纳-演绎式的两步骤：首先利用少量已标记样本对分类模型进行初始学习，然后利用大量未标记样本对模型进行进一步的修正，最后利用修正后的模型预测未标注样本。常用的半监督学习方法有自我学习、基于图的半监督学习、协同训练，但是现有的半监督学习方法通常性能不太稳定。

近几年来，基于对抗生成网络的样本生成方法在高分辨率遥感图像上得到了有效地应用。不同于传统的半监督分类技术，对抗生成网络是根据标记样本的分布，构造出新的样本，以提高分类器的分类性能。该类方法能够突破传统半监督学习方法性能不稳定的问题，但是仍然存在不足：在高分辨率遥感图像分类中，绝大多数的标记样本都是容易被正确分类的样本，称为“简单样本”，少量的标记样本位于分类边界，也是最容易被错误分类的样本，称为“难样本”。传统的生成对抗网络生成的样本与标记样本具有相同的分布，也就是说生成了大量的简单样本，这些样本并没有提高分类器在分类边界的分类能力，因此对于分类精度的提高有限。

发明内容