基于双通道DCGAN和特征融合的多光谱图像分类方法技术

本发明专利技术公开了一种基于双通道深度卷积生成式对抗网DCGAN和特征融合的多光谱图像分类方法方法，其具体步骤是：输入多光谱图像；对每一幅多光谱图像的每个波段的图像归一化处理；获得多光谱图像矩阵；获取数据集；搭建双通道深度卷积生成式对抗网络DCGAN模型；训练双通道深度卷积生成式对抗网络DCGAN分类模型；对测试数据集进行分类。本发明专利技术引入了双通道生成式对抗网，结合特征融和，提取了多方向、多光谱的多种高层特征信息，增强了特征表征能力，提升了分类效果。

【技术实现步骤摘要】
基于双通道DCGAN和特征融合的多光谱图像分类方法
本专利技术属于图像处理
，更进一步涉及多光谱图像分类
中的一种基于双通道生成式对抗网络DCGAN(DeepConvolutionalGenerativeAdversarialNetworks)和特征融合的多光谱图像分类方法。本专利技术可用于将多光谱图像中包括水域、田地、城市等的地物进行分类。
技术介绍
多光谱图像属于遥感图像的一种，它是由多个波段对同一目标进行反复拍摄而得道的图像。多光谱图像的应用价值越来越广泛，比如在航空、航天对地检测，大地测绘、灾害检测等等领域。图像分类是多光谱图像研究内容中重要的一个方向。多光谱图像的传统分类方法有很多，但是大多数方法需要针根据图像本身的特点进行人为的设计提取特征信息，比如支持向量机、决策树等等。近些年来，深度学习，比如卷积神经网络，在图像处理领域表现出了其强大效的特征表征能力，减少了人为设计提取特征的不确定性。李亚坤等人在其发表的论文“基于纹理特征MNF变换的多光谱遥感影像分类”(《兵器装备工程学报》,2017,38(2):113-117)中提出了一种基于纹理特征最小噪声分离MNF(MinimumNoiseFraction)变换的多光谱遥感影像分类方法。该方法利用灰度共生矩阵进行特征提取，再对所提取的特征进行最小噪声分离MNF变换，将最小噪声分离MNF分量与光谱信息协同进行分类。该方法利用灰度共生矩阵提取特征，虽然能得到较好的分类结果。但是，该方法仍然存在的不足之处是，该方法的特征提取设计依靠人为经验，复杂并且耗时，并且特征的组合通常不适用于像素对比度不明显的场景。攀枝花学院在其申请的专利文献“基于张量稀疏表示及聚类的多光谱遥感图像分类方法”(专利申请号：201710329412.3，公开号:107067040A)中提出了一种基于张量稀疏表示及聚类的多光谱遥感图像分类方法。该方法利用无监督聚类方法中的聚类算法将多光谱遥感图像划分为不同的组；将各组中的多光谱图像由三维形式转化为二维的矩阵；对所述二维的矩阵进行字典学习，获得能够用于各组多光谱遥感图像进行稀疏表示的字典、稀疏表示系数、每一种地物的标记；对获得的稀疏表示系数及标记进行训练，获得最优的分类器；对多光谱遥感图像的像素，根据其稀疏表示系数，利用获得的分类器，对其进行分类。该方法虽然用聚类的方法将多光谱遥感图像分为不同的组，再对各组数据稀疏表示，得到最后的分类结果。但是，该方法仍然存在的不足之处是，计算过程繁琐，使用无监督聚类方法，存在同物异谱及异物同谱现象，影响分类结果。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出了一种基于双通道深度卷积生成式对抗网(DCGAN)与特征融合的多光谱图像分类方法，本专利技术利用生成式对抗网提取特征并且将两个卫星提取的特征融合，以提高分类精度。为实现上述目的，本专利技术的具体步骤如下：(1)输入多光谱图像：输入由两个不同卫星拍摄成像的五个地区的多光谱图像，每个地区包含两个多光谱图像，第一幅多光谱图像包含10个波段的图像，第二幅多光谱图像包含9个波段的图像：(2)对每一幅多光谱图像的每个波段的图像归一化处理：(3)获得多光谱图像矩阵：(3a)将第一幅多光谱图像中不同波段图像归一化后的图像堆叠在一起，得到大小为W1i×H1i×10的五个地区的多光谱图像矩阵，i＝1,2,3,4,5；(3b)将第二幅多光谱图像中不同波段图像归一化后的图像堆叠在一起，得到大小为W2i×H2i×9的五个地区的多光谱图像矩阵，i＝1,2,3,4,5；(4)获取数据集：(4a)从前四个地区的第一幅多光谱图像矩阵中选取有类标的像素，用64×64像素大小的滑窗，将四个多光谱图像矩阵中有类标的每类像素，分割成大小为64×64×10的图像像素块，从图像像素块中随机选取10％的像素块，组成训练数据集D1，再从图像像素块中随机选取50％的像素块，组成另一个训练数据集D1′；(4b)从前四个地区的第二幅多光谱图像矩阵中选取有类标的像素，用64×64像素大小的滑窗，将四个多光谱图像矩阵中有类标的每类像素，分割成大小为64×64×9的图像像素块，从图像像素块中随机选取10％的像素块，组成训练数据集D2，再从图像像素块中随机选取50％的像素块，组成另一个训练数据集D2′；(4c)从第五个地区的第一幅多光谱图像矩阵中选取有类标的像素，用64×64像素大小的滑窗，将该多光谱图像矩阵中有类标的每类像素，分割成大小为64×64×10图像像素块，将所有图像像素块组成测试数据集V1；(4d)从第五个地区的第二幅多光谱图像矩阵中选取有类标的像素，用64×64像素大小的滑窗，将该多光谱图像矩阵中有类标的每类像素，分割成大小为64×64×9的图像像素块，将所有图像像素块组成测试数据集V2；(5)搭建双通道深度卷积生成式对抗网络DCGAN模型：(5a)搭建第一通道深度卷积生成式对抗网络DCGAN，该网络由6层的生成网络和5层的判别网络组成；(5b)搭建第二通道深度卷积生成式对抗网络DCGAN，该网络由6层的生成网络和5层的判别网络组成；(5c)将第一通道中判别网络提取的特征图向量化，将第二通道中判别网络提取的特征图向量化，融合两个向量化的特征向量，组成双通道深度卷积生成式对抗网络DCGAN模型的特征融合层；(5d)在特征融合层之后连接一个Softmax层，得到双通道深度卷积生成式对抗网络DCGAN模型；(6)训练双通道深度卷积生成式对抗网络DCGAN分类模型：(6a)将训练数据集D1′输入到第一通道深度卷积生成式对抗网络DCGAN网络中，利用无监督训练方法，训练该网络；(6b)将训练数据集D2′输入到练第二通道深度卷积生成式对抗网络DCGAN网络中，采用与训练第一通道网络相同的训练方式，训练第二通道深度卷积生成式对抗网络DCGAN网络；(6c)将训练数据集D1输入到训练好的第一通道网络的判别网络中，提取训练数据集D1的特征S1，将训练数据集D2输入到训练好的第二通道网络的判别网络中，提取训练数据集D2的特征S2，将特征S1与特征S2特征融合后输入到双通道深度卷积生成式对抗网络DCGAN网络中的Softmax层，进行有监督训练200次，得到训练好的双通道深度卷积生成式对抗网络DCGAN分类模型；(7)对测试数据集进行分类：(7a)将测试数据集V1，输入到训练好的双通道深度卷积生成式对抗网络DCGAN网络的第一通道的判别网络中，提取测试数据集V1的特征C1；(7b)将测试数据集V2输入到第二通道的判别网络中，提取测试数据集V2的特征C2；(7c)将特征C1与特征C2融合后，输入到双通道深度卷积生成式对抗网络DCGAN网络的softmax层，得到最终的分类结果。本专利技术与现有的技术相比具有以下优点：第一，由于本专利技术中搭建双通道深度卷积生成式对抗网络DCGAN模型，利用该模型中的判别网络提取多光谱图像的特征，是一种自学习的特征提取方法，克服了现有技术人为设计提取特征的不确定性的缺点，本专利技术的特征提取方法没有针对性，可以用于对非确定的多光谱图像的特征提取，从而具有适用性更广的优点。第二，由于本专利技术中搭建双通道深度卷积生成式对抗网络DCGAN模型，构建的双通道网络中不同的网络通道学习不同卫星本文档来自技高网...

【技术保护点】
一种基于双通道深度卷积生成式对抗网DCGAN和特征融合的多光谱图像分类方法，其特征在于，包括如下步骤：(1)输入多光谱图像：输入由两个不同卫星拍摄成像的五个地区的多光谱图像，每个地区包含两个多光谱图像，第一幅多光谱图像包含10个波段的图像，第二幅多光谱图像包含9个波段的图像：(2)对每一幅多光谱图像的每个波段的图像归一化处理：(3)获得多光谱图像矩阵：(3a)将第一幅多光谱图像中不同波段图像归一化后的图像堆叠在一起，得到大小为W1

【技术特征摘要】
1.一种基于双通道深度卷积生成式对抗网DCGAN和特征融合的多光谱图像分类方法，其特征在于，包括如下步骤：(1)输入多光谱图像：输入由两个不同卫星拍摄成像的五个地区的多光谱图像，每个地区包含两个多光谱图像，第一幅多光谱图像包含10个波段的图像，第二幅多光谱图像包含9个波段的图像：(2)对每一幅多光谱图像的每个波段的图像归一化处理：(3)获得多光谱图像矩阵：(3a)将第一幅多光谱图像中不同波段图像归一化后的图像堆叠在一起，得到大小为W1i×H1i×10的五个地区的多光谱图像矩阵，i＝1,2,3,4,5；(3b)将第二幅多光谱图像中不同波段图像归一化后的图像堆叠在一起，得到大小为W2i×H2i×9的五个地区的多光谱图像矩阵，i＝1,2,3,4,5；(4)获取数据集：(4a)从前四个地区的第一幅多光谱图像矩阵中选取有类标的像素，用64×64像素大小的滑窗，将四个多光谱图像矩阵中有类标的每类像素，分割成大小为64×64×10的图像像素块，从图像像素块中随机选取10％的像素块，组成训练数据集D1，再从图像像素块中随机选取50％的像素块，组成另一个训练数据集D1′；(4b)从前四个地区的第二幅多光谱图像矩阵中选取有类标的像素，用64×64像素大小的滑窗，将四个多光谱图像矩阵中有类标的每类像素，分割成大小为64×64×9的图像像素块，从图像像素块中随机选取10％的像素块，组成训练数据集D2，再从图像像素块中随机选取50％的像素块，组成另一个训练数据集D2′；(4c)从第五个地区的第一幅多光谱图像矩阵中选取有类标的像素，用64×64像素大小的滑窗，将该多光谱图像矩阵中有类标的每类像素，分割成大小为64×64×10图像像素块，将所有图像像素块组成测试数据集V1；(4d)从第五个地区的第二幅多光谱图像矩阵中选取有类标的像素，用64×64像素大小的滑窗，将该多光谱图像矩阵中有类标的每类像素，分割成大小为64×64×9的图像像素块，将所有图像像素块组成测试数据集V2；(5)搭建双通道深度卷积生成式对抗网络DCGAN模型：(5a)搭建第一通道深度卷积生成式对抗网络DCGAN，该网络由6层的生成网络和5层的判别网络组成；(5b)搭建第二通道深度卷积生成式对抗网络DCGAN，该网络由6层的生成网络和5层的判别网络组成；(5c)将第一通道中判别网络提取的特征图向量化，将第二通道中判别网络提取的特征图向量化，融合两个向量化的特征向量，组成双通道深度卷积生成式对抗网络DCGAN模型的特征融合层；(5d)在特征融合层之后连接一个Softmax层，得到双通道深度卷积生成式对抗网络DCGAN模型；(6)训练双通道深度卷积生成式对抗网络DCGAN分类模型：(6a)将训练数据集D1′输入到第一通道深度卷积生成式对抗网络DCGAN网络中，利用无监督训练方法，训练该网络；(6b)将训练数据集D2′输入到练第二通道深度卷积生成式对抗网络DCGAN网络中，采用与训练第一通道网络相同的训练方式，训练第二通道深度卷积生成式对抗网络DCGAN网络；(6c)将训练数据集D1输入到训练好的第一通道网络的判别网络中，提取训练数据集D1的特征S1，将训练数据集D2输入到训练好的第二通道网络的判别网络中，提取训练数据集D2的特征S2，将特征S1与特征S2特征融合后输入到双通道深度卷积生成式对抗网络DCGAN网络中的Softmax层，进行有监督训练200次，得到训练好的双通道深度卷积生成式对抗网络DCGAN分类模型；(7)对测试数据集进行分类：(7a)将测试数据集V1，输入到训练好的双通道深度卷积生成式对抗网络DCGAN网络的第一通道的判别网络中，提取测试数据集V1的特征C...

【专利技术属性】
技术研发人员：焦李成，屈嵘，汶茂宁，马文萍，杨淑媛，侯彪，刘芳，陈璞花，古晶，张丹，唐旭，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61