[发明专利]基于对比生成对抗网络的高光谱图像分类方法

说明书

一种基于对比生成对抗网络的高光谱图像分类方法，其步骤如下：生成样本集；构建对比生成对抗网络；用生成网络生成虚假样本；用判别网络对训练样本和虚假样本进行非线性映射；构造生成网络和判别网络的对比损失函数；构造生成网络和判别网络的损失函数；利用梯度下降方法，更新生成网络和判别网络的参数，并判断生成网络和判别网络的损失函数是否均收敛，若均收敛，则执行下一步，否则，执行步骤3；对高光谱图像进行分类。本发明利用构建的对比生成对抗网络，提取样本类别特征向量，构建对比损失函数，增强了网络的特征提取能力，缓解了网络过拟合的问题，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对比生成对抗网络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地物进行分类。。

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特征，导致分类精度不高，另一方面，目前已有的深度学习方法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。

武汉大学在其申请的专利文献“一种基于自适应空谱多尺度网络的高光谱图像分类方法”(专利申请号：201911336874.3，专利公布号：CN111126256A)中提出了一种基于自适应空谱多尺度网络的高光谱图像分类方法。该方法首先将高光谱图像进行降维处理，然后进行样本选取，从原始和降维高光谱图像上每类随机选取适当比例的带有标记的样本，最后使用设计好网络进行训练。该方法虽然能在光谱上下文信息提取的基础上获得多尺度特征，提升了模型鲁棒性，但是，该方法仍然存在的不足之处是，高光谱图像具有标签样本少的特点，该方法提出的网络层数较深、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，导致网络容易出现过拟合，从而导致该方法不能进行精准分类。

Lin Zhu；Yushi Chen等人在其发表的论文“Generative Adversarial Networksfor Hyperspectral Image Classification”(IEEE Transactions on Geoscience andRemote Sensing，2018，Volume:56,Issue:9,)中提出了一种基于生成对抗网络的高光谱分类方法。该方法设计一个卷积神经网络(判别网络)来判断输入是否真实并进行分类，设计另一个卷积神经网络(生成网络)来生成尽可能真实的虚假样本。两个网络进行交替训练，这种对抗性训练的方法在高光谱图像样本有限的情况下提高了判别网络的泛化能力和分类能力。但是该方法的不足之处是，高光谱图像具有同类像素光谱差异性大，而不同类像素空间特征差异小的的特点，该方法网络特征提取的不充分，生成网络和判别网络不能充分的学习和利用类别间的特征差异，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，提出了一种基于对比生成对抗网络的高光谱图像分类方法，用于解决网络容易过拟合、没有充分学习和利用不同类别间的特征差异的问题。