[发明专利]一种基于SGSE-GAN的遥感图像场景分类方法

说明书

本发明公开了基于SGSE‑GAN的遥感图像场景分类方法，首先，针对带标签遥感图像场景数据匮乏导致分类效果欠佳的问题，提出了一种新的显著性引导的对称增强型生成对抗网络(称之为SGSE‑GAN)，用于遥感图像数据增强，以生成与原始遥感图像分布极为相似的遥感合成图像；其次，针对小样本带标签原始遥感图像和合成的带标签遥感图像，设计一种改进的深度学习模型I‑VGG19，即在经典的深度卷积神经网络VGG19中嵌入若干归一化层，以提升模型训练的速度和特征提取的准确性；最后，将提取得到的深度特征输入到支持向量机分类器中，实现遥感图像的分类。

技术领域

本发明属于图像处理领域，尤其涉及一种基于SGSE-GAN的遥感图像场景分类方法。

背景技术

遥感图像的分类任务，综合了遥感图像处理和分析、模式识别、机器学习等多个领域的知识，是遥感图像解译的重要基础，为遥感图像的应用(如精确制导、海情监控、应急减灾和交通监管等)提供了不可或缺的分析数据，因此对其深入研究具有很高的理论意义和实用价值。近年来，由于卫星传感技术的快速发展，遥感图像分辨率日益提升，遥感图像的像素或超像素仅仅包含地物底层信息，不能对图像高层语义内容进行描述，导致了传统的“面向像素”和“面向对象”的分类方法无法满足遥感图像高层次内容解译的需求。因此，“面向场景”的遥感图像分类引起了国内外研究学者的广泛关注，并成为了遥感领域的一个活跃的研究课题，目前所取得的研究成果基本上实现了从地物底层特征到高层场景语义理解上的跨越。

近十年来，以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习方法在自然语言处理、图像识别、目标检测等任务上取得了突破性的进展。尤其在许多极具挑战性的图像识别和检测数据集上，其性能均大幅度地超越了传统方法，展现出强大的特征表达能力。随着深度学习在图像处理领域研究的不断深入，人们发现深度学习也可以有效应用于遥感图像的分类任务中。

综上，现有的遥感图像场景分类方法，存在的诸多局限性主要表现在：

(1)遥感图像数据集匮乏。由于遥感图像的特殊性，其高昂的价格使得获取大量可供训练的数据集本身就是一项耗时耗力的工程，正确标注多时相、多地区的遥感图像数据更是一件很难完成的任务。训练数据的缺乏使得利用深度学习进行遥感图像分类的准确率受限。

(2)深度神经网络训练困难。训练深度神经网络需要在稳定的硬件环境中进行数月的实验，并且要经历大量的训练和调优过程。迁移学习虽然能一定程度上解决这一问题，但是针对一个具体的视觉任务，要取得很好的效果，即便采用迁移学习的方式，也需要一定数量的样本。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于SGSE-GAN的遥感图像场景分类方法。该方法可以避免传统基于深度学习的遥感图像场景分类方法，由于数据集的缺乏和网络训练过程困难而导致的分类性能不高的问题，通过提出的显著性引导的对称增强生成对抗网络增强遥感图像数据集、迁移学习的方式降低网络训练难度，能有效提升分类准确率。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于SGSE-GAN的遥感图像场景分类方法，该方法的具体步骤如下：

(1)基于显著性引导的对称增强型生成对抗网络，实现遥感图像数据增强，具体步骤包括：

(1.1)设置带标签的原始遥感数据集和通过仿真软件合成的虚假遥感图像数据集；

(1.2)在传统生成对抗网络的基础上，进行对称增强型生成对抗网络模型的构建，该网络中含有两个镜像对称的生成对抗网络，共享两个生成器，并各自自带一个判别器；

(1.3)基于构建好的对称增强型生成对抗网络，在生成器的编码器和判别器的卷积层之后嵌入显著性引导机制，通过显著性机制引导其中生成器和判别器的特征提取过程；