[发明专利]基于多类生成对抗网络的高光谱图像分类方法

摘要

本发明公开了一种基于多类生成对抗网络的高光谱图像分类方法，其步骤如下：(1)输入高光谱图像；(2)获取样本集；(3)产生训练样本与测试样本；(4)搭建多类生成对抗网络；(5)利用生成器生成样本；(6)用判别器对训练样本和生成的样本进行分类；(7)构建生成器和判别器的损失函数；(8)交替训练生成器与判别器；(9)对高光谱图像进行分类。本发明利用搭建的多类生成对抗网络，提取像元邻域的空间特征，同时生成样本来增加样本数量，增强了网络的特征提取能力，缓解了网络过拟合的问题，提高了高光谱图像分类的准确性。

主权项

1.一种基于多类生成对抗网络的高光谱图像分类方法，其特征在于，搭建多类生成对抗网络，用生成器生成样本,用判别器对训练样本和生成的样本进行分类，构造生成器和判别器的损失函数；该方法的具体步骤包括如下：(1)输入高光谱图像：(2)获取样本集：(2a)以高光谱图像中的每个有标签像素为中心，划定一个27×27个像素大小的空间窗；(2a)将每个空间窗内所有的像素组成一个数据立方体；(2b)将所有的数据立方体组成高光谱图像的样本集；(3)产生训练样本与测试样本：在高光谱图像的样本集中，随机选取5％的样本，组成高光谱图像的训练样本；将剩余95％的样本组成高光谱图像的测试样本；(4)搭建多类生成对抗网络：(4a)搭建一个由全连接层和4个逆卷积层构成的生成器，并设置每层参数；(4b)搭建一个由4个卷积层和1个多分类层构成的判别器，并设置每层参数；(4c)将生成器和判别器组成多类生成对抗网络；(5)用生成器生成样本：从高斯分布中随机采样生成100维的高斯噪声向量，将高斯噪声向量通过生成器进行非线性映射，转换成高光谱图像的生成的样本；(6)用判别器对训练样本和生成的样本进行分类：将训练样本和生成的样本输入到判别器中进行非线性映射，输出训练样本的预测标签和生成的样本的预测标签；(7)构造生成器和判别器的损失函数：(7a)生成一个元素个数和高光谱图像地物种类数相等的向量，该向量中每个元素值均等于地物种类数的倒数，将该向量作为生成的样本的判别标签；(7b)利用交叉熵公式，计算生成的样本的预测标签和训练样本标签之间的交叉熵,将生成的样本的预测标签和训练样本标签之间的交叉熵作为生成器的损失函数；(7c)利用交叉熵公式，计算生成的样本的预测标签和生成的样本的标签之间的交叉熵；(7d)利用交叉熵公式，计算训练样本的预测标签和训练样本标签之间的交叉熵；(7e)将上面两个交叉熵之和，作为判别器的损失函数；(8)交替训练生成器和判别器：(8a)利用梯度下降方法，用生成器的损失函数值训练生成器；(8b)利用梯度下降方法，用判别器的损失函数值训练判别器；(8c)判断当前迭代次数是否为第1500次，若是，则执行步骤(9)，否则，将当前迭代次数加上1后执行步骤(8)；(9)对高光谱图像进行分类：将高光谱图像的测试样本输入到训练好的多类生成对抗网络的判别器中，输出测试样本的预测标签，获得分类结果。