[发明专利]基于多类生成对抗网络的高光谱图像分类方法

说明书

本发明公开了一种基于多类生成对抗网络的高光谱图像分类方法，其步骤如下：(1)输入高光谱图像；(2)获取样本集；(3)产生训练样本与测试样本；(4)搭建多类生成对抗网络；(5)利用生成器生成样本；(6)用判别器对训练样本和生成的样本进行分类；(7)构建生成器和判别器的损失函数；(8)交替训练生成器与判别器；(9)对高光谱图像进行分类。本发明利用搭建的多类生成对抗网络，提取像元邻域的空间特征，同时生成样本来增加样本数量，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基于多类生成对抗网络(multi-class generative adversarial networks)的高光谱图像分类方法。本发明可用于对高光谱图像的地物进行分类。

背景技术

高光谱图像光谱分辨率的提高，为分类提供了更加丰富信息的同事，也带来了巨大的挑战。目前应用在高光谱图像分类中的传统方法包括支撑矢量机、决策树等，基于深度学习的方法包括栈式自编码器、卷积神经网络等。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，高光谱图像有标签数据不足的问题已经限制了高光谱图像的分类精度。

太仓稻信信息科技有限公司在其申请的专利文献“一种高光谱图像分类方法”(专利申请号：201710406644.4，公开号：CN107247966A)中提出了一种高光谱图像分类方法。该方法首先对要分类的图像进行多尺度分割，对多尺度分割后的图像进行显著图提取，在显著图提取后的图像中，对像元进行光谱特征提取，对提取的特征进行归一化，对归一化后的像元特征用非线性核函数方法分类。该方法虽然能够减少辐射误差和几何误差影响，但是，该方法仍然存在的不足之处是，只提取了像元的光谱特征，没有提取像元邻域的空间特征，导致分类准确性不高。

北京航空航天大学在其申请专利文献“一种基于深度学习的高光谱图像分类方法”(专利申请号：201710052345.5，公开号：CN106845418A)中提出了一种高光谱图像分类方法。该方法首先采用非线性的自编码网络对高光谱图像进行降维。在降维后的图像中，将有标签像元邻域的数据立方体作为样本输入卷积神经网络，然后将像元对应的标签作为卷积神经网络的期望输出，训练卷积神经网络，最后将训练好的卷积神经网络作用于高光谱图像中的每个像元，得到分类结果。该方法虽然保留了样本的非线性信息，但是，该方法仍然存在的不足之处是，样本数目相对于网络参数数目过少，导致网络过拟合，分类准确性不高。

发明内容

本发明的目的是针对上述已有技术的不足，提出一种能够适用于图像处理的基于多类生成对抗网络的高光谱图像分类方法。

实现本发明目的的思路是，先搭建多类生成对抗网络，用多类生成对抗网络中的生成器生成样本，用判别器对训练样本和生成的样本进行分类，再构造生成器和判别器的损失函数，交替训练生成器和判别器，最后将测试样本输入训练好的多类生成对抗网络的判别器中，得到高光谱图像的分类结果。

本发明的具体步骤包括如下：

(1)输入高光谱图像：

(2)获取样本集：

(2a)以高光谱图像中的每个有标签像素为中心，划定一个27×27个像素大小的空间窗；

(2b)将每个空间窗内所有的像素组成一个数据立方体；

(2c)将所有的数据立方体组成高光谱图像的样本集；

(3)产生训练样本与测试样本：

在高光谱图像的样本集中，随机选取5％的样本，组成高光谱图像的训练样本；将剩余95％的样本组成高光谱图像的测试样本；

(4)搭建多类生成对抗网络：