[发明专利]基于超像素样本扩充和生成对抗网络高光谱图像分类方法

摘要

本发明提出了一种基于超像素样本扩充和生成对抗网络高光谱图像分类方法，旨在解决当有标签训练样本数量较少时，网络过拟合，导致分类准确率低的问题。其实现如下：构造初始训练集和测试集，并进行扩充，得到扩充训练集和候选测试集；构建由生成器和判别器组成的生成对抗网络；使用生成器生成假样本，使用判别器获取假样本和扩充训练集的真假预测标签和类别预测标签；构造生成器和判别器的损失函数，并交替训练生成器和判别器；训练支持向量机；将候选测试集通过训练好的判别器和支持向量机，得到候选标签集；对候选标签集使用最大投票算法确定测试集的类别标签。本发明有效提取了高光谱图像的空间特征，缓解了过拟合问题，提高了分类准确率，可用于对高光谱图像进行地物分类。

主权项

1.一种基于超像素样本扩充和生成对抗网络高光谱图像分类方法，其特征在于，包括如下：(1)构造初始训练集和测试集：输入高光谱图像h_p为光谱向量，表示像素点p在每个波段的反射值所构成的向量，T是高光谱图像中像素点的总个数；该高光谱图像H包含c类像素点，其中有M个有标签像素点，N个无标签像素点，每个像素点为一个样本；将M个有标签像素点作为初始训练样本构成初始训练集其对应的类别标签集为将N个无标签像素点作为测试样本构成测试集其中，x_i表示初始训练集的第i个初始训练样本，l_i表示第i个初始训练样本所属的类别标签，y_j表示测试集的第j个测试样本；(2)使用基于熵率的多尺度的超像素分割方法进行样本扩充：(2a)对高光谱图像H使用主成分分析算法提取第一个主成分，得到主成分灰度图，设置k个不同的分割尺度，设置每个尺度的超像素个数为S_q,q＝1,2,…k，分别对主成分灰度图进行k个不同尺度的基于熵率的超像素分割，得到k个分别包含S_q个超像素块的分割图其中，表示分割图G_q中的第u个超像素块；(2b)对于分割图G_q，用所有与初始训练样本x_i属于同一个超像素块的初始训练样本构成集合对集合进行平均池化，得到x_i在分割图G_q上的平均池化特征同理用所有与测试样本y_j属于同一个超像素块的测试样本构成集合对集合进行平均池化，得到y_j在分割图G_q上的平均池化特征(2c)取每个初始训练样本x_i在每个分割图G_q上的平均池化特征将作为扩充训练样本构成扩充训练集取扩充训练样本的类别标签与x_i的类别标签l_i相同，得到相应的扩充类别标签集取每个测试样本y_j在每个分割图G_q上的平均池化特征将作为候选测试样本构成候选测试集(3)构建一个由生成器和判别器组成的生成对抗网络：(3a)搭建一个包括两个全连接层和两个步进卷积层的生成器，并设置每层参数；(3b)搭建一个包括三个卷积层，三个最大池化层和四个全连接层的判别器，并设置每层参数；(3c)初始化生成器和判别器，卷积层、步进卷积层和全连接层的权重初始化为每个元素值满足正态分布N(0,0.02²)的张量，偏置初始化为每个元素值都为0的张量；(4)从均匀分布U(‑1,1)中随机采样生成62维的噪声向量z，取扩充类别标签集L'的类别标签构成作为标签向量y；(5)将噪声向量z和标签向量y输入到生成器，经过生成器的非线性映射，输出高光谱图像的假样本X_fake；(6)将假样本X_fake输入到判别器，经过判别器的非线性映射，输出假样本X_fake的真假预测标签x_s和类别预测标签x_c；(7)将扩充训练集X'输入到判别器，经过判别器的非线性映射，输出扩充训练集X'的真假预测标签x'_s和类别预测标签x'_c；(8)构造生成对抗网络的损失函数：(8a)将辅助分类器生成对抗网络的生成器的损失函数L'_G和特征匹配损失函数L_FM相加，得到生成器的损失函数L_G；(8b)判别器的损失函数仍采用辅助分类器生成对抗网络中判别器的损失函数L_D；(9)交替训练生成器和判别器：(9a)初始化迭代次数t为t＝0，最大迭代次数为1000；(9b)利用梯度下降方法，使用生成器的损失函数更新生成器参数；(9c)利用梯度下降方法，使用判别器的损失函数更新判别器参数；(9d)令t＝t+1；(9e)判断迭代次数t是否等于1000，若是，则得到训练好的判别器，执行(7)，否则，返回(9b)；(10)将扩充训练集X'输入到训练好的判别器得到判别特征，使用该判别特征训练支持向量机，得到训练好的支持向量机；(11)获得测试集中所有测试样本的类别标签：将候选测试集Y'，输入到训练好的判别器和训练好的支持向量机，得到相应的候选标签集对每个j∈{1,2,…,N}，利用最大投票算法从候选标签集C'的子集中选出最大可能标签c_j，将该c_j作为测试样本y_j的类别标签。