[发明专利]基于SACVAEGAN的高光谱图像分类方法

说明书

本发明公开了基于SACVAEGAN的高光谱图像分类方法，在CVAEGAN的基础加入了一个潜在向量分类器模块用于对高光谱数据对应的潜在向量进行分类，使其与解码器和样本分类器协作训练，解决了GAN网络中随机产生的潜在向量与类别难以对应的问题，进而提高了准确性。在解码器，编码器以及判别器中应用了自注意力机制以及谱正则化的方法，自注意力机制能够使得网络模型能够更好的提取高光谱数据的特征，谱正则化方法能够提高模型的稳定性。在样本分类器中从空间和光谱两个角度进行提取特征，加入了残差网络的结构，提高模型分类的效果。

技术领域

本发明涉及高光谱图像分类领域，具体属于一种对高光谱图像进行分类的方法。

背景技术

随着遥感技术的不断发展，高光谱图像(HSI)在地球观测领域取得了重大的突破。与传统的三通道彩色图像不同的是，HSI可以同时收集数百个光谱带中的图像，具有非常丰富的光谱信息。因此，高光谱图像被广泛应用在卫星遥感、农作物观测以及矿物勘测等领域。

在高光谱数据处理技术中，分类问题一直是非常活跃的主体之一。高光谱数据的分类问题通常有两种分类方法：光谱分类器和光谱-空间分类器。传统的高光谱图像分类算法通常包括支持向量机(SVM)，K最近邻(KNN)，最大似然，神经网络和逻辑回归。然而，由于相同的材料可能存在光谱差异，不同的材料可能存在相似的光谱特征，因此很难仅仅通过光谱信息来准确的区分不同类别。为了解决上述问题，一些学者提出了将光谱信息可空间信息结合的方法来提高分类性能。

由于传统的分类方法设计大量的经验和参数设置，近年来深度学习的方法在高光谱图像分类中得到了大量的应用。特别是卷积神经网络(CNN)受到了极大的关注。例如W.Hu提出的一种采用五层深的CNN模型提取HSI的光谱特征，取得了较好的分类性能。W.Li提出了一种像素对方法作为深度光谱的分类器，在训练数据缺乏时，该方法取得了很好的效果，但是该方法主要在频谱域执行卷积操作，忽略了空间的细节。Ying Li提出了一种利用3D卷积提取光谱-空间特征的方法，较为充分的考虑了高光谱数据的各种特征，得到了很好的分类结果。

尽管基于深度学习的方法在HSI分类上已经取得了巨大的进展，但是依旧面临着一些的问题，即有标签的数据量过少。基于此，有的学者提出了利用GAN网络模型来减轻高光谱数据有限的现象。GAN网络模型通常包括生成模型G和判别模型D。模型G和D之间以对抗性的方式进行训练。其中G试图通过一个随机向量Z来尽可能的生成真实的伪样本，而D尝试识别真实样本和G生成的伪样本。二者不断对抗，一直到最后D无法成功识别出伪样本。通过正确使用GAN生成的可以作为虚拟样本的样本，可以提高分类准确性，减少高光谱训练数据有限的情况。

发明内容

本发明旨在解决上述问题，提出了一种SACVAEGAN的(基于自注意力机制的条件变分自编码器的生成对抗网络，Self-Attention based Conditional Variational Auto-Encoder Generative Adversarial Networks)高光谱图像分类方法。本发明采用CVAEGAN(条件变分自编码器)作为基本结构能够解决高光谱图像训练数据较小的问题，通过CVAEGAN中的解码器产生高光谱图像的虚拟样本，扩增训练数据，进而提高分类的准确性。同时，本发明在CVAEGAN的基础加入了一个潜在向量分类器模块用于对高光谱数据对应的潜在向量进行分类，使其与解码器和样本分类器协作训练，解决了GAN网络中随机产生的潜在向量与类别难以对应的问题，进而提高了准确性。在解码器，编码器以及判别器中应用了自注意力机制以及谱正则化的方法，自注意力机制能够使得网络模型能够更好的提取高光谱数据的特征，谱正则化方法能够提高模型的稳定性。在样本分类器中从空间和光谱两个角度进行提取特征，加入了残差网络的结构，提高模型分类的效果。

为了达到上述目的，本发明采用的技术方案以及实验步骤如下：

(1)首先对高光谱图像数据进行预处理。