[发明专利]基于协同训练半监督学习的遥感影像水体提取方法及系统

摘要

本发明涉及水体遥感技术领域，提供一种基于协同训练半监督学习的遥感影像水体提取方法及系统，以解决目前采用监督分类方法进行遥感影像水体提取时，由于人工选择的样本数量不足导致水体提取精度较差的问题，该系统包括遥感影像特征提取模块、双视图构建模块、分类器训练模块和分类模块，分类器训练模块包括初始化模块、样本标注模块、样本集合更新模块和迭代控制模块。本发明提出的技术方案在小样本情况下依然能够保证高分辨率遥感影像水体提取的精度，从而可以降低人工标注训练样本的工作量和复杂度。

主权项

1.一种基于协同训练半监督学习的遥感影像水体提取方法，其特征在于包括步骤：A、提取遥感影像的光谱特征和纹理特征，所述光谱特征至少包括遥感影像各波段数据X、水体指数NDWI和植被指数NDVI，所述纹理特征至少包括遥感影像的灰度共生矩阵的角二阶矩ASM、该灰度共生矩阵的均匀性HOM、该灰度共生矩阵的熵ENT和遥感影像分形纹理模型的分形维数FD，其中X＝[B1,B2,...,Bn]T，n为波段数，Bi为波段i影像的灰度值，1≤i≤n；B、根据步骤A中提取到的遥感影像的光谱特征和纹理特征构建如下式所示的双视图：V₁、V₂分别是光谱特征和纹理特征组成的综合特征向量；C、从遥感影像中选择初始训练样本并对初始训练样本进行标注得到标注样本集合L，从遥感影像剩余像元中随机生成未标注样本集合U；D、设置最大迭代次数，从未标注样本集合U中随机取出一个样本子集U'；E、使用标注样本集合L的含V1的视图训练一个分类器h1，使用标注样本集合L的含V2的视图训练一个分类器h2，使用分类器h1对样本子集U'中的数据进行分类并对置信度最高的p个样本进行标注，使用分类器h2对样本子集U'中的数据进行分类并对置信度最高的p个样本进行标注；F、将步骤E中新标注的样本加入到标注样本集合L中，并随机从未标注样本集合U中选择2p个未标注样本补充到样本子集U'中；G、判断迭代次数是否达到最大迭代次数以及未标注样本集合U是否为空，如果迭代次数达到最大迭代次数或未标注样本集合U为空，则保存分类器h1和分类器h2并执行下一步骤，反之则返回步骤E进行下一次迭代；H、使用步骤G得到的分类器h1和分类器h2对遥感影像进行分类，提取遥感影像的水体信息。