[发明专利]一种基于Triple GAN的高光谱图像分类方法

说明书

本发明涉及一种基于Triple GAN的高光谱图像分类方法，首先采用主成分算法压缩高光谱影像光谱特征，以降低特征维度并减少冗余性；之后获得高光谱样本图像所对应预设各种待选图像特征；然后应用Triple GAN分类网络完成分别基于各种待选图像特征下的高光谱样本图像分类操作，结合高光谱样本图像的实际分类，选择最高分类准确率所对应的待选图像特征，作为样本图像集所对应的目标图像特征；最后以目标图像特征为输入，高光谱样本图像的实际分类为输出，完成针对Triple GAN分类网络的训练，获得图像分类模型；则在实际应用中，通过目标图像特征，应用图像分类模型即可完成目标高光谱图像的分类，由此实现了对高光谱图像的高效分类，保证实际工作效率。

技术领域

本发明涉及一种基于Triple GAN的高光谱图像分类方法，属于遥感图像处理技术领域。

背景技术

遥感指在航空航天平台上通过特定成像仪器采集观测目标电磁波谱段，并成像以获取观测对象多方面特征信息的信息采集方式。自上个世纪60年代现代遥感技术投入使用以来，该技术已经在各个领域发挥了巨大的作用，因此现代遥感技术已经成为衡量一个国家技术发展水平和综合实力的重要标志。为了进一步加强人类对地球资源、自然环境和地外空间探索开发的能力，同时扩展人类监测地表各种异常气候的手段，各国政府投入了大量资源研发兼具高空间分辨率和高光谱分辨率的高科技探测仪器，高光谱遥感技术应运而生。作为当前遥感方面的前沿技术，高光谱遥感具有高光谱分辨率和图谱合一的特点，是遥感技术发展史上一次巨大的突破。

高光谱遥感影像的特殊之处在于它由几十到上百个波段组成，其光谱分辨率比多光谱遥感更高，可以达到甚至超过10nm。因此高光谱遥感影像能够提供比传统遥感影像更为精细的光谱信息，从而发现许多存在于狭窄光谱范围中的地物特性，提升遥感技术对于地物信息获取的能力。在获取地物空间影像的同时，影像上的每个像元都能提取到一条包含丰富光谱特征的连续光谱曲线，精细的光谱分辨率有助于对地物进行准确的识别和分类。目前，高光谱遥感影像已经被广泛应用于地质制图、环境监测、植被调查、农业遥感、海洋遥感、大气研究等领域，发挥着越来越重要的作用。当前，对于高光谱影像数据的处理研究已经受到国内外学者的广泛关注。

近年来，深度学习方法在高光谱遥感影像监督分类方面已经有了较大的发展，目前有五种深度学习网络已经被用于高光谱影像分类，分别为堆栈自编码器SAE(StackedAutoencoder)、深度置信网络DBN(Deep Belief Network)、卷积神经网络CNN(ConvolutionNeural Network)、循环神经网络RNN(Recurrent Neural Network)、对抗式生成网络GAN(Generative Adversarial Networks)。其中在GAN方面，Zhu等人将AC-GAN网络结构首次应用于高光谱影像分类，通过更改网络中卷积结构分别提出1D-GAN和3D-GAN来对光谱特征和空谱联合特征进行分类；刘群等人将ACGAN作为光谱特征提取器，与LBP处理后的空间特征结合放入CNN中进行分类，得到了较好结果；吉贝贝提出修改对抗生成网络中判别网络的输出结构使其不再进行判断真假的操作，转而完成图片分类任务，通过在光谱特征和空谱结合特征上的实验充分证明了其有效性。

在分类策略改进层面，Ma等人提出使用结合多决策标签和深度特征学习的方法从无标记样本中获取尽可能多的信息以提升分类效果，其中多决策标签来自于基于邻域加权信息的局部决策标签与深度学习预测相似样本得到的全局决策标签，两者结合在一起筛选出具有较高同类别可能性的无标记样本并将其加入训练样本，之后再使用深度学习进行空谱特征提取与分类工作。与之相似的还有Li等人提出的使用像素对特征进行分类决策的方法，在该方法中邻域斑块内的邻近像元与中心像元都会被放入深度网络中预测，但最终中心像元的类别由整个邻域斑块中各像元预测结果投票决定。Liu等人使用深度残差3D-CNN提取出空谱联合特征，通过分批训练网络将特征映射到其他可分性更强的空间，在该空间中相同类别的样本分布集中，而不同类别样本距离较远，之后直接使用最近邻分类器判断样本类别，该方法在训练样本极少的情况下也有较好表现。