[发明专利]一种高光谱图像分类方法、装置、设备及存储介质

说明书

本发明是关于一种高光谱图像分类方法、装置、设备及存储介质。该方法包括：对待分类的高光谱图像进行数据预处理后得到训练样本和测试样本；基于训练样本的类标信息得到其对应的类别概率分布CPD向量样本；使用CPD向量样本、以及训练样本和测试样本的数据块来训练半监督网络模型；将测试样本输入完成训练的半监督网络模型，生成类别概率分布以实现分类。本发明提供的方案，只需要判别输入样本是来自于生成器生成的假的概率分布向量还是来自于真实的样本，从而大大提高了高光谱图像分类的精确性。

技术领域

本发明涉及图像处理领域，尤其涉及一种高光谱图像分类方法、装置、设备及存储介质。

背景技术

高光谱图像是一种高光谱分辨率的遥感图像，高光谱图像分类是高光谱领域的一个重要应用。高光谱图像分类是指对于图像中每一个像元，通过分析其光谱特性与空间特性得到其所属的地物类别。高光谱图像分类技术在日常生活以及国防建设、测绘和军事等许多重要的领域都有着广泛的应用，因此对高光谱图像分类的研究具有重要的意义。

近些年来科研人员对生成对抗网络(Generative Adversarial Network，GAN)的研究十分火热。生成对抗网络由生成器和判别器组成，生成器生成假样本试图“欺骗”判别器，判别器负责辨别样本的真假，通过一个对抗的训练过程，生成器可以学习到逼近真实样本的分布。GAN所具有的良好的特征提取能力使得其在高光谱图像分类领域取得了广泛的应用前景。目前科研人员也提出了一些基于GAN的高光谱图像分类方法。zhu等提出使用1D-GAN和3D-GAN对高光谱图像进行分类，分别将生成器生成的光谱数据和光谱空间数据输入到判别器中，进行样本真假与类别的判别，生成器生成的假样本可以起到数据增强的作用，进而解决样本数目不足的问题。Zhan等提出了专用于高光谱图像分类的生成对抗网络HSGAN，该网络可自适应的提取高光谱图像的空间光谱特征，当用无标签的数据训练HSGAN时，生成器生成的假样本可用于网络的训练。这两种方法都采用了半监督的学习方式，一定程度上解决了样本数目有限条件下的特征提取问题。

Feng等改进了条件生成对抗网络的网络结构，设计了两个生成器以分别生成包含空间和光谱信息的样本，并利用判别器提取空间光谱特征并生成多类别概率，通过生成器和判别器之间的对抗学习，有效地提升了判别器的分类性能。Zhang等分别基于完全去卷积子网络和完全卷积子网络设计了生成器和判别器并提出了相应的损失函数来实现网络的无监督训练；此外，还提出用Wasserstein距离代替原始的琴森-香农散度以减轻GAN的训练难度。上述基于GAN的分类方法着重解决样本数目不足的问题，利用生成器生成假样本来实现样本增强，将判别器作为分类模型。

高光谱图像分类是多分类问题，在上述方法中，判别器既要判别样本来源的真假又要对样本进行分类，Li等提出生成器和判别器的对抗训练过程很难同时优化分类模型和判别模型，利用判别器同时对样本的真假和类别进行判别，无论是在分类性能上还是在判别性能上，其都不会达到最优。为了解决这个问题，Wang等提出了Caps-Triple GAN模型，该模型整合了一维TripleGAN和胶囊网络，TripleGAN包含分类器和判别器，可分别用于对样本的真假和类别进行判别，一定程度上提升了对高光谱图像的分类性能。Gao等提出了多判别器协作的模型，与单个判别器模型相比，使用多个判别器不但可以得到更加精确的分类结果而且生成器可以生成更加逼近真实样本的假样本用于判别器的训练。Zhong等将GAN和概率图模型相结合，利用生成器生成空间光谱图像块，判别器负责识别这个图像块所属的地物类别，同时，为了在训练的过程中利用大量的无标记样本，提出利用条件随机场来进一步改善分类结果。

上述方法从优化GAN的网络结构的角度出发或者通过一些预处理或后处理工作来提升分类结果，但这些方法都将光谱数据或光谱空间数据作为真实样本输入判别器，生成器仅用来生成逼近真实样本的假样本，判别器既要判别样本来源的真假又要对其进行分类，这会对分类精度产生影响，无法取得理想的分类结果。

发明内容