CN113516191A - 一种高光谱遥感影像半监督分类方法、装置、设备及介质 - Google Patents
一种高光谱遥感影像半监督分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113516191A CN113516191A CN202110813023.4A CN202110813023A CN113516191A CN 113516191 A CN113516191 A CN 113516191A CN 202110813023 A CN202110813023 A CN 202110813023A CN 113516191 A CN113516191 A CN 113516191A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- hyperspectral remote
- semi
- sensing image
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请公开了一种高光谱遥感影像半监督分类方法、装置、设备及介质,该方法包括:对高光谱遥感影像进行预处理;从高光谱遥感影像中选取设定数量的像元作为训练样本;构建基于TripleGAN的高光谱遥感影像分类模型,并通过训练样本训练高光谱遥感影像分类模型,在训练时将生成的样本作为新增的训练样本;使用训练完成的高光谱遥感影像分类模型对待分类遥感影像进行分类。这样可以在较少的训练样本的情况下,使用生成对抗网络生成一些样本作为训练样本,在增加训练样本数量的过程中能够充分挖掘高光谱遥感影像的空间特征和光谱特征,提升高光谱遥感影像半监督分类精度和实际应用潜力,缓解高光谱遥感影像分类中的小样本问题。
Description
技术领域
本发明涉及遥感影像分类领域,特别是涉及一种高光谱遥感影像半监督分类方法、装置、设备及介质。
背景技术
高光谱遥感已经应用了20多年,它是在成像光谱学的基础上发展起来的。与传统遥感相比,高光谱成像光谱仪为每个成像像元提供了非常窄(一般小于10nm)的成像波段,并且在一定的光谱范围内连续分布。因此,高分辨率传感器获得的光谱曲线是一个连续的光谱信号。这不仅简单地增加了数据量,而且增加了地物光谱空间信息量,为利用遥感技术观测地球、监测地球表面环境变化提供了更充分的信息,从而使传统的遥感监测目标发生了本质的变化。从信号处理的观点出发,光谱空间遥感可分辨的目标应满足两个反射峰中心点之间的距离大于每个反射波的半波宽的要求。传统的遥感可以看作是光谱空间中的离散采样,因此可以分辨的目标一般在光谱空间中有明显的差异。
由于高光谱遥感影像的上述特点,可以利用高光谱遥感影像对地物分类,直观地讲,就是确定每个像素点的地物类型。根据使用训练样本情况不同,将分类方法分为三类:监督分类、无监督分类、半监督分类。其中,半监督分类同时利用有标签数据和无标签数据,通过获取伪标签数据,增加训练样本数量。而伪标签数据选取方法能够选取出来的伪标签数据是有限的,导致训练样本不足,此外,由于高光谱遥感影像空间分辨率的限制和自然地物的复杂性,“同物异谱”现象较为普遍,有限的伪标签数据无法反映真实的地物特征。
因此,如何解决高光谱遥感影像分类中的小样本问题,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种高光谱遥感影像半监督分类方法、装置、设备及介质,可以有效增加训练样本个数,提高分类精度。其具体方案如下:
一种高光谱遥感影像半监督分类方法,包括:
对高光谱遥感影像进行预处理;
从所述高光谱遥感影像中选取设定数量的像元作为训练样本;
构建基于TripleGAN的高光谱遥感影像分类模型,并通过所述训练样本训练所述高光谱遥感影像分类模型,在训练时将生成的样本作为新增的所述训练样本;
使用训练完成的所述高光谱遥感影像分类模型对待分类遥感影像进行分类。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述高光谱遥感影像分类模型包括均为神经网络的生成器、分类器和判别器;其中,
所述生成器,用于根据给定的标签得到对应的样本;
所述分类器,用于根据给定的样本得到对应的标签;所述分类器添加有交叉熵损失函数;
所述判别器,用于鉴别所述分类器和所述生成器得到的数据是否来自于真实分布。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述生成器使用全连接神经网络和ReLU激活函数,得到多个二维数据,并根据多个二维数据获取三维数据。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述分类器包括依次连接的第一3D卷积层、第一池化层、第二3D卷积层、第二池化层和第一全连接层;所述第一全连接层的激活函数为softmax函数。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述判别器包括依次连接的第三3D卷积层、第三池化层、第四3D卷积层、第四池化层和第二全连接层;所述第二全连接层的激活函数为sigmoid函数;
所述判别器使用批归一化的操作进行批归一化。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述训练所述高光谱遥感影像分类模型的步骤中,包括:
将所述生成器得到的样本视为伪样本,并根据所述伪样本训练所述分类器;
使用WGAN模型中Wasserstein距离代替JS散度;
使用随机梯度下降的策略训练参数。
优选地,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,所述对高光谱遥感影像进行预处理的步骤中,包括:
对高光谱遥感影像进行归一化处理和降维处理。
本发明实施例还提供了一种高光谱遥感影像半监督分类装置,包括:
影像处理模块,用于对高光谱遥感影像进行预处理;
样本选取模块,用于从所述高光谱遥感影像中选取设定数量的像元作为训练样本;
模型构建训练模块,用于构建基于TripleGAN的高光谱遥感影像分类模型,并通过所述训练样本训练所述高光谱遥感影像分类模型,在训练时将生成的样本作为新增的所述训练样本;
影像分类模块,用于使用训练完成的所述高光谱遥感影像分类模型对待分类遥感影像进行分类。
本发明实施例还提供了一种高光谱遥感影像半监督分类设备,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述高光谱遥感影像半监督分类方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述高光谱遥感影像半监督分类方法。
从上述技术方案可以看出,本发明所提供的一种高光谱遥感影像半监督分类方法,包括:对高光谱遥感影像进行预处理;从高光谱遥感影像中选取设定数量的像元作为训练样本;构建基于TripleGAN的高光谱遥感影像分类模型,并通过训练样本训练高光谱遥感影像分类模型,在训练时将生成的样本作为新增的训练样本;使用训练完成的高光谱遥感影像分类模型对待分类遥感影像进行分类。
本发明提供的上述高光谱遥感影像半监督分类方法可以在较少的训练样本的情况下,使用生成对抗网络生成一些样本作为训练样本,在增加训练样本数量的过程中能够充分挖掘高光谱遥感影像的空间特征和光谱特征,提升高光谱遥感影像半监督分类精度和实际应用潜力,缓解高光谱遥感影像分类中的小样本问题。
此外,本发明还针对高光谱遥感影像半监督分类方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的高光谱遥感影像半监督分类方法的流程图;
图2为本发明实施例提供的高光谱遥感影像半监督分类方法的示意图;
图3为本发明实施例提供的HSI-TripleGAN网络模型的结构示意图;
图4为本发明实施例提供的生成器的网络结构示意图;
图5为本发明实施例提供的生成器生成的数据对应的曲线图;
图6为本发明实施例提供的判别器的网络结构示意图;
图7为本发明实施例提供的分类器的网络结构示意图;
图8a至图8c分别为本发明实施例提供的HSI-TripleGAN网络模型与基准模型对比的示意图;
图9为本发明实施例提供的模型改进前的损失收敛图;
图10为本发明实施例提供的模型改进后的损失收敛图;
图11为本发明实施例提供的高光谱遥感影像半监督分类装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种高光谱遥感影像半监督分类方法,如图1和图2所示,包括以下步骤:
S101、对高光谱遥感影像进行预处理;
在具体实施时,对高光谱遥感影像进行预处理的步骤中,主要包括:对高光谱遥感影像进行归一化处理和降维处理。较佳地,使用最大最小归一化的方法进行归一化,降低数据大小,便于模型训练,加速网络模型中梯度下降;使用主成分分析(Principal ComponentAnalysis,PCA)的方法进行降维,将光谱维数据投影到一个线性空间,在去除噪声的影响的同时,保留数据的主要信息。
S102、从高光谱遥感影像中选取设定数量的像元作为训练样本;
在实际应用中,本发明针对的是遥感影像分类中的小样本问题,所以样本选取较少,以像元个数为单位,可以选取20个像元作为训练样本。
S103、构建基于TripleGAN(Triple Generative Adversarial Network,多组分生成对抗网络)的高光谱遥感影像分类模型,并通过训练样本训练高光谱遥感影像分类模型,在训练时将生成的样本作为新增的训练样本;
S104、使用训练完成的高光谱遥感影像分类模型对待分类遥感影像进行分类。
在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,可以在较少的训练样本的情况下,使用生成对抗网络生成一些样本作为训练样本,在增加训练样本数量的过程中能够充分挖掘高光谱遥感影像的空间特征和光谱特征,提升高光谱遥感影像半监督分类精度和实际应用潜力,缓解高光谱遥感影像分类中的小样本问题。
进一步地,在具体实施时,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,在执行步骤S103构建基于TripleGAN的高光谱遥感影像分类模型时,可以先规定,样本为x,对应标签为y,一个样本和对应标签是一个数据对,称为“数据-标签”。如图3所示,高光谱遥感影像分类模型(即TripleGAN)可以包括三部分:生成器G、分类器C和判别器D;其中,生成器G,近似描述了条件分布:Pg(x|y)≈P(x|y),在标签已知的情况下,样本的分布,即生成器G用于根据给定的标签得到对应的样本;分类器C,近似描述了条件分布:Pc(y|x)≈P(y|x),在样本已知的情况下,标签的分布,即分类器C用于根据给定的样本得到对应的标签;判别器D,用于鉴别分类器C和生成器G得到的数据(x,y)是否来自于真实分布P(x,y)。生成器G、分类器C和判别器D这三个部件都是神经网络结构。
需要说明的是,高光谱遥感影像分类模型的目标是分类器C和生成器G的分布能够收敛到真实数据分布。通过分类器C的条件分布Pc(y|x),当输入一个数据x~P(x),得到对应的伪标签y,所以通过分类器可以得到“数据-标签”的联合分布:Pc(x,y)=P(x)Pc(y|x)。同理,对于生成器G的条件分布Pg(x|y),输入一个y~P(y),得到一个伪样本x,可以通过生成器可以得到“数据-标签”的联合分布:Pg(x,y)=P(y)Pg(x|y)。对于Pg(x|y),即生成器生成的样本,是使用噪声数据z变换而来,也就是说,x=G(y,z),z~Pg(z),其中Pg(z)是一个简单分布,可以是均值分布、正态分布等。然后,将分类器和生成器得到的数据对输入到判别器D中进行判断,同时,判别器D也接受真实训练样本的数据对作为判别标准。所以该模型的目标损失函数可以写成如下形式:
其中,α∈(0,1)是控制分类器和生成器的权重,当P(x,y)=(1-α)Pg(x,y)+αPc(x,y)时,可以达到均衡点,也就是说,当G和C的其中一个趋向于真实数据分布时,另一个也会趋向于真实数据分布。然而,很难保证P(x,y)=Pg(x,y)+Pc(x,y)是全局唯一最优点,为了解决这个问题,对分类器C添加了交叉熵损失函数,即分类器C添加有交叉熵损失函数:RL=E(x,y)~P(x,y)[-logPc(y|x)],相当于Pc(x,y)和P(x,y)之间的K-L散度。所以,该模型的新的目标函数就变成:
相对于普通的GAN,TripleGAN在生成较好的图像的同时,还将图像及其对应标签联合起来,所以能够训练分类器,并对测试样本进行分类。
为了有效使用到高光谱遥感影像的空间和光谱信息,本发明将分类器C和判别器D中的网络结构定义为3D卷积的方式,即利用TripleGAN作为基础网络模型,通过3D卷积可以进一步充分利用光谱信息和空间信息。
在具体实施时,如图4所示,生成器G,输入噪声数据满足随机分布,大小为20×1,使用全连接神经网络(dense)和ReLU激活函数,得到多个二维数据,并根据多个二维数据获取三维数据。具体地,可以将多个二维叠起来,获取到三维数据。生成器生成的数据,可以以图5示出的光谱曲线的形式展现出来。
在具体实施时,如图6所示,分类器C包括五层神经网络:依次连接的第一3D卷积层、第一池化层、第二3D卷积层、第二池化层和第一全连接层;第一全连接层的激活函数为softmax函数。具体地,第一3D卷积层为4核3×3×3的卷积,使用ReLU作为激活函数。第一池化层1为均值池化,大小为2×2×2。第二3D卷积层为2个大小为3×3×3的卷积核,使用ReLU作为激活函数。第二池化层为均值池化,大小为2×2×2。第一全连接层的激活函数使用softmax函数,根据三组数据的类别不同,节点数也不同。
在具体实施时,如图7所示,判别器D包括五层神经网络:依次连接的第三3D卷积层、第三池化层、第四3D卷积层、第四池化层和第二全连接层;第二全连接层的激活函数为sigmoid函数。具体地,第三3D卷积层为4核3×3×3的卷积,使用ReLU作为激活函数。第三池化层1为均值池化,大小为2×2×2。第四3D卷积层为2个大小为3×3×3的卷积核,使用ReLU作为激活函数。第四池化层为均值池化,大小为2×2×2。第二全连接层的激活函数使用sigmoid函数。使用批归一化(BatchNormalization,BN)的操作进行批归一化。
需要注意的是,随着模型迭代运算,生成器生成的数据对可以认为符合真实样本分布,所以可以认为是增加了训练样本个数,而且可以源源不断地增加,所以是一种半监督分类的方法。
进一步地,在具体实施时,在本发明实施例提供的上述高光谱遥感影像半监督分类方法中,在执行步骤S103训练高光谱遥感影像分类模型时,可以包括:使用WGAN模型中Wasserstein距离代替JS散度来改进模型,这样可以防止数据过拟合;另外,使用随机梯度下降(Stochastic Gradient Descent,SGD)的策略训练参数,设置学习率(learningrate)为0.005,epoch为250。
在执行步骤S104时,可以使用模型分类数据,将高光谱遥感数据padding后,输入到训练完成的高光谱遥感影像分类模型中以预测结果。
为了验证本发明实施例提供的上述高光谱遥感影像半监督分类方法的有效性,使用真实的Indian Pines、Pavia University、SalinasA三组数据做对比,采用CNN、GAN、ImprovedGAN三种方法作为基准算法,与本发明构建的高光谱遥感影像分类模型(HSI-TripleGAN)做对比,使用总体分类精度OA作为评价指标,在不同的训练样本个数情况下,结果如图8a至图8c所示。可以看出本发明实施例提供的上述高光谱遥感影像半监督分类方法可以获得更高的分类精度。
为了进一步验证使用Wasserstein距离的作用,对比使用常规JS散度和Wasserstein距离的两种情况下总体loss的变化情况,结果如图9和图10所示。可以看出,本发明实施例提供的上述高光谱遥感影像半监督分类方法中使用Wasserstein距离可以加速收敛模型。
基于同一发明构思,本发明实施例还提供了一种高光谱遥感影像半监督分类装置,由于该装置解决问题的原理与前述一种高光谱遥感影像半监督分类方法相似,因此该装置的实施可以参见高光谱遥感影像半监督分类方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的高光谱遥感影像半监督分类装置,如图11所示,具体包括:
影像处理模块11,用于对高光谱遥感影像进行预处理;
样本选取模块12,用于从高光谱遥感影像中选取设定数量的像元作为训练样本;
模型构建训练模块13,用于构建基于TripleGAN的高光谱遥感影像分类模型,并通过训练样本训练高光谱遥感影像分类模型,在训练时将生成的样本作为新增的训练样本;
影像分类模块14,用于使用训练完成的高光谱遥感影像分类模型对待分类遥感影像进行分类。
在本发明实施例提供的上述高光谱遥感影像半监督分类装置中,可以通过上述四个模块的相互作用,有效地增加了训练样本个数,提高分类精度,缓解高光谱遥感影像分类中的小样本问题。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应地,本发明实施例还公开了一种高光谱遥感影像半监督分类设备,包括处理器和存储器;其中,处理器执行存储器中存储的计算机程序时实现前述实施例公开的高光谱遥感影像半监督分类方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步地,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的高光谱遥感影像半监督分类方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上,本发明实施例提供的一种高光谱遥感影像半监督分类方法,包括:对高光谱遥感影像进行预处理;从高光谱遥感影像中选取设定数量的像元作为训练样本;构建基于TripleGAN的高光谱遥感影像分类模型,并通过训练样本训练高光谱遥感影像分类模型,在训练时将生成的样本作为新增的训练样本;使用训练完成的高光谱遥感影像分类模型对待分类遥感影像进行分类。这样可以在较少的训练样本的情况下,使用生成对抗网络生成一些样本作为训练样本,在增加训练样本数量的过程中能够充分挖掘高光谱遥感影像的空间特征和光谱特征,提升高光谱遥感影像半监督分类精度和实际应用潜力,缓解高光谱遥感影像分类中的小样本问题。此外,本发明还针对高光谱遥感影像半监督分类方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的高光谱遥感影像半监督分类方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种高光谱遥感影像半监督分类方法,其特征在于,包括:
对高光谱遥感影像进行预处理;
从所述高光谱遥感影像中选取设定数量的像元作为训练样本;
构建基于TripleGAN的高光谱遥感影像分类模型,并通过所述训练样本训练所述高光谱遥感影像分类模型,在训练时将生成的样本作为新增的所述训练样本;
使用训练完成的所述高光谱遥感影像分类模型对待分类遥感影像进行分类。
2.根据权利要求1所述的高光谱遥感影像半监督分类方法,其特征在于,所述高光谱遥感影像分类模型包括均为神经网络的生成器、分类器和判别器;其中,
所述生成器,用于根据给定的标签得到对应的样本;
所述分类器,用于根据给定的样本得到对应的标签;所述分类器添加有交叉熵损失函数;
所述判别器,用于鉴别所述分类器和所述生成器得到的数据是否来自于真实分布。
3.根据权利要求2所述的高光谱遥感影像半监督分类方法,其特征在于,所述生成器使用全连接神经网络和ReLU激活函数,得到多个二维数据,并根据多个二维数据获取三维数据。
4.根据权利要求3所述的高光谱遥感影像半监督分类方法,其特征在于,所述分类器包括依次连接的第一3D卷积层、第一池化层、第二3D卷积层、第二池化层和第一全连接层;所述第一全连接层的激活函数为softmax函数。
5.根据权利要求4所述的高光谱遥感影像半监督分类方法,其特征在于,所述判别器包括依次连接的第三3D卷积层、第三池化层、第四3D卷积层、第四池化层和第二全连接层;所述第二全连接层的激活函数为sigmoid函数;
所述判别器使用批归一化的操作进行批归一化。
6.根据权利要求5所述的高光谱遥感影像半监督分类方法,其特征在于,所述训练所述高光谱遥感影像分类模型的步骤中,包括:
将所述生成器得到的样本视为伪样本,并根据所述伪样本训练所述分类器;
使用WGAN模型中Wasserstein距离代替JS散度;
使用随机梯度下降的策略训练参数。
7.根据权利要求6所述的高光谱遥感影像半监督分类方法,其特征在于,所述对高光谱遥感影像进行预处理的步骤中,包括:
对高光谱遥感影像进行归一化处理和降维处理。
8.一种高光谱遥感影像半监督分类装置,其特征在于,包括:
影像处理模块,用于对高光谱遥感影像进行预处理;
样本选取模块,用于从所述高光谱遥感影像中选取设定数量的像元作为训练样本;
模型构建训练模块,用于构建基于TripleGAN的高光谱遥感影像分类模型,并通过所述训练样本训练所述高光谱遥感影像分类模型,在训练时将生成的样本作为新增的所述训练样本;
影像分类模块,用于使用训练完成的所述高光谱遥感影像分类模型对待分类遥感影像进行分类。
9.一种高光谱遥感影像半监督分类设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至7任一项所述的高光谱遥感影像半监督分类方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的高光谱遥感影像半监督分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110813023.4A CN113516191A (zh) | 2021-07-19 | 2021-07-19 | 一种高光谱遥感影像半监督分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110813023.4A CN113516191A (zh) | 2021-07-19 | 2021-07-19 | 一种高光谱遥感影像半监督分类方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516191A true CN113516191A (zh) | 2021-10-19 |
Family
ID=78067328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110813023.4A Pending CN113516191A (zh) | 2021-07-19 | 2021-07-19 | 一种高光谱遥感影像半监督分类方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516191A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295302A1 (en) * | 2018-03-22 | 2019-09-26 | Northeastern University | Segmentation Guided Image Generation With Adversarial Networks |
CN111914728A (zh) * | 2020-07-28 | 2020-11-10 | 河海大学 | 高光谱遥感影像半监督分类方法、装置及存储介质 |
CN112633401A (zh) * | 2020-12-29 | 2021-04-09 | 中国科学院长春光学精密机械与物理研究所 | 一种高光谱遥感图像分类方法、装置、设备及存储介质 |
-
2021
- 2021-07-19 CN CN202110813023.4A patent/CN113516191A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295302A1 (en) * | 2018-03-22 | 2019-09-26 | Northeastern University | Segmentation Guided Image Generation With Adversarial Networks |
CN111914728A (zh) * | 2020-07-28 | 2020-11-10 | 河海大学 | 高光谱遥感影像半监督分类方法、装置及存储介质 |
CN112633401A (zh) * | 2020-12-29 | 2021-04-09 | 中国科学院长春光学精密机械与物理研究所 | 一种高光谱遥感图像分类方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Burlina et al. | Where's Wally now? Deep generative and discriminative embeddings for novelty detection | |
CN109919241B (zh) | 基于概率模型和深度学习的高光谱未知类别目标检测方法 | |
Warner | Kernel‐based texture in remote sensing image classification | |
Li et al. | Structure-aware collaborative representation for hyperspectral image classification | |
Khan et al. | A customized Gabor filter for unsupervised color image segmentation | |
Guo et al. | Learning structurally incoherent background and target dictionaries for hyperspectral target detection | |
Laha et al. | Land cover classification using fuzzy rules and aggregation of contextual information through evidence theory | |
CN113640397A (zh) | 一种基于深度网络的遥感影像变化检测方法及系统 | |
Chehresa et al. | Optimum features selection for oil spill detection in SAR image | |
Paul et al. | Dimensionality reduction of hyperspectral image using signal entropy and spatial information in genetic algorithm with discrete wavelet transformation | |
Jensen et al. | Image classification | |
Wei et al. | Efficient local histogram searching via bitmap indexing | |
Feng et al. | Land-cover classification of high-resolution remote sensing image based on multi-classifier fusion and the improved Dempster–Shafer evidence theory | |
CN111008989A (zh) | 一种基于多值体元的机载多光谱lidar三维分割方法 | |
Natya et al. | Land cover classification schemes using remote sensing images: a recent survey | |
Celik et al. | Change detection without difference image computation based on multiobjective cost function optimization | |
Wang et al. | A multi-label hyperspectral image classification method with deep learning features | |
Glenn | Context-dependent detection in hyperspectral imagery | |
Shi et al. | Hyperspectral bands reduction based on rough sets and fuzzy c-means clustering | |
CN113516191A (zh) | 一种高光谱遥感影像半监督分类方法、装置、设备及介质 | |
Gao et al. | A new feature selection method for hyperspectral image classification based on simulated annealing genetic algorithm and Choquet fuzzy integral | |
Fan et al. | Fast example searching for input-adaptive data-driven dehazing with gaussian process regression | |
Gupta et al. | Improved framework of many‐objective evolutionary algorithm to handle cloud detection problem in satellite imagery | |
Zhan et al. | Multi-Scale Feature Reconstruction and Inter-Class Attention Weighting for Land Cover Classification | |
Yin et al. | Hyperspectral image classification using wavelet packet analysis and gray prediction model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211019 |
|
RJ01 | Rejection of invention patent application after publication |