[发明专利]基于SACVAEGAN的高光谱图像分类方法

权利要求书

1.基于SACVAEGAN的高光谱图像分类方法，其特征在于：包括如下步骤

(1)首先对高光谱图像数据进行预处理；

(2)构建网络模型；

在进行完数据预处理之后，接下来是构建网络模型；训练网络模型由五部分构成，分别是：条件变分自编码器、判别器、样本分类器和潜在向量分类器；

(3)训练网络；

数据和模型分别处理好之后开始进行训练；训练过程主要分为四大部分，即对条件变分自编码器、判别器、样本分类器以及潜在向量分类器进行训练；

(4)高光谱图像分类；

模型训练完成之后进行测试；将测试结果与真实值进行比对，从而得到分类结果，计算出准确率。

2.根据权利要求1所述的基于SACVAEGAN的高光谱图像分类方法，其特征在于：步骤(1)中，(1a)首先对原始的高光谱数据边缘进行填充补零，使得能以每个点为中心取窗口大小为patchsize×patchsize的数据，其中IndianPines数据集和Salinas数据集patchsize大小为28，PaviaU数据集的patchsize大小为24；

(1b)随机选取K个点作为训练标签，其中IndianPines和PaviaU数据集用500个点作为训练标签，Salinas数据集用200个标签作为训练标签，其余作为测试标签；

(1c)获得样本集；获得高光谱图像的样本集，以随机获取的K个训练标签为中心，窗口大小为patchsize×patchsize划分训练数据，其余划分为patchsize×patchsize大小的测试数据。

3.根据权利要求1所述的基于SACVAEGAN的高光谱图像分类方法，其特征在于：步骤(2)中，(2a)条件变分自编码器分为解码器和编码器；编码器主要作用是生成真实高光谱数据对应的潜在向量；编码器结合了自注意力机制和谱归一化方法；解码器主要作用是根据潜在向量生成对应的虚拟的高光谱数据，解码器结合了自注意力机制和谱归一化方法；

(2b)判别器主要作用是判别输入的高光谱数据的真假，判别器结合了自注意力机制和谱归一化；

(2c)样本分类器主要作用是对输入的高光谱数据进行分类，由获取高光谱图像空间特征和光谱特征的两个分支，结合残差网络提取特征组成；

(2d)潜在向量分类器主要作用是对随机产生的潜在向量进行分类，进而赋予生成器根据该潜在向量生成的虚拟的高光谱数据一个类别，以便接下来的操作。

4.根据权利要求1所述的基于SACVAEGAN的高光谱图像分类方法，其特征在于：步骤(1)中，(3a)首先对判别器进行训练；判别器的训练分为三步，分别是将真实的高光谱数据数据，由条件变分自编码器中的编码器产生的潜在向量，将其输入到解码器中产生的虚拟的高光谱数据以及随机产生的潜在向量产生的虚拟的高光谱数据输入到判别器中进行训练，计算损失函数进而优化判别器的参数；

(3b)对条件变分自编码器进行训练；训练分为五步，分别是将真实的高光谱数据放入编码器生成对应的潜在向量计算对应损失函数；将编码器产生的潜在向量对应生成的虚拟的高光谱数据以及真实高光谱数据输入到判别器中，计算对应的损失函数；将编码器产生的潜在向量对应的虚拟的高光谱数据和真实的高光谱数据放到样本分类器中计算对应的损失函数；将随机产生的潜在向量以及其对应的虚拟发高光谱数据分别输入到潜在向量分类器以及样本分类器中，计算对应的损失函数；将编码器生成的潜在向量输入到潜在向量分类器中，计算对应的损失函数；

(3c)对潜在向量分类器进行分类；潜在向量分类器的训练是将真实的高光谱数据对应的潜在向量输入到潜在向量分类器中进行分类，计算损失函数；

(3d)对样本分类器进行训练；样本分类器的训练分为三步；分别是将真实高光谱数据输入到样本分类器计算分类的损失函数；将真实高光谱数据以及虚拟的高光谱数据分别输入到样本分类器中计算对应损失函数；将随机产生的潜在向量输入到潜在向量分类器进行分类，以及根据随机产生的潜在向量产生的虚拟的高光谱数据输入到分类器中进行分类，根据分类结果计算对应的损失函数。