[发明专利]基于超像素样本扩充和生成对抗网络高光谱图像分类方法

说明书

本发明提出了一种基于超像素样本扩充和生成对抗网络高光谱图像分类方法，旨在解决当有标签训练样本数量较少时，网络过拟合，导致分类准确率低的问题。其实现如下：构造初始训练集和测试集，并进行扩充，得到扩充训练集和候选测试集；构建由生成器和判别器组成的生成对抗网络；使用生成器生成假样本，使用判别器获取假样本和扩充训练集的真假预测标签和类别预测标签；构造生成器和判别器的损失函数，并交替训练生成器和判别器；训练支持向量机；将候选测试集通过训练好的判别器和支持向量机，得到候选标签集；对候选标签集使用最大投票算法确定测试集的类别标签。本发明有效提取了高光谱图像的空间特征，缓解了过拟合问题，提高了分类准确率，可用于对高光谱图像进行地物分类。

技术领域

本发明属于图像处理技术领域，涉及一种图像分类方法，更进一步涉及基于超像素扩充和生成对抗网络高光谱图像分类方法。本发明可用于对高光谱图像进行地物分类。

背景技术

与普通的传感器相比，高光谱成像光谱仪在一定波长范围内具有更多的光谱通道和更窄的波长范围。由于波段间存在光谱重叠，高光谱图像具有较高的光谱分辨率。结合成像光谱仪获取的地物空间信息，高光谱图像同时包含丰富的一维光谱信息和二维的空间信息。高光谱图像分类技术是高光谱数据应用领域的热点之一。为了避免过拟合现象，深度模型的训练需要大量的有标签样本。然而，由于标签的收集需要耗费大量的人力、物力，为深度学习在高光谱图像分类领域的应用带来了挑战。

传统的分类器，例如支持向量机、决策树、逻辑回归等，已经广泛应用于高光谱图像分类领域。这些分类方法将像素视为一个独立单元，仅仅考虑了光谱信息。然而，研究证明，空间信息的利用可以大大提高分类性能。超像素分割是一种用于提取空间信息的图像预处理技术，它可以为计算区域特征的方法提供空间支持。与传统的像素级处理方法相比，基于超像素的方法更有利于提取空间局部特征，消除数据之间的冗余，降低后续处理的计算复杂度。

最近，一种被称为生成对抗网络的新框架被用于高光谱图像分类。相较于其他基于深度的高光谱图像特征提取方法，在训练样本有限的情况下，生成对抗网络可以通过竞争策略有效地缓解过拟合问题。、

Yushi Chen等人在其发表的论文“Generative Adversarial Networks forHyperspectral Image Classification”(IEEE Transactions on Geoscience andRemote Sensing)中提出了一种基于生成对抗网络的高光谱图像分类方法。该方法提出了两种分类架构，1D-GAN和3D-GAN。其中，3D-GAN架构同时利用了高光谱图像的光谱和空间信息，该方法的步骤是：首先，建立一个用于高光谱图像分类的生成对抗网络；其次，使用主成分分析算法提取高光谱图像的三个主成分；最后，将高光谱图像划分为训练集和测试集，取高光谱图像的每个样本点作为中心像素点，将中心样本点的64×64大小的邻域作为整体作为输入训练生成对抗网络，并将训练好的网络，用于高光谱图像分类。虽然这个方法充分了生成对抗网络的优良特性，能够提取判别性特征，但是由于空间信息并没有得到很好地利用。图像分类结果的正确率较低。