基于生成对抗网络的高光谱图像无监督特征提取方法技术

本发明专利技术公开了一种基于生成对抗网络的高光谱图像无监督特征提取方法，主要解决现有特征提取效果不佳，且需大量标签信息的问题。实现步骤为：数据预处理；生成对抗网络参数设置；计算生成对抗网络中生成器网络G输出；构建生成对抗网络目标函数；生成对抗网络训练；提取多层特征并进行池化和组合操作得到最终特征。本发明专利技术首次使用了生成对抗网络提取特征，卷积计算利用了高光谱图像的空间信息和光谱信息，使用生成对抗网络的多层特征，有效提高了高光谱图像的分类精度，本发明专利技术在训练及特征提取中都未使用任何标签信息，属于完全无监督特征提取。本发明专利技术适用于各类高光谱图像的无监督特征提取。

【技术实现步骤摘要】
基于生成对抗网络的高光谱图像无监督特征提取方法
本专利技术属于高光谱图像处理
，涉及高光谱图像特征提取技术，具体是一种基于生成对抗网络的高光谱图像无监督特征提取方法，用于高光谱图像分类。
技术介绍
随着遥感技术的快速发展，更高分辨率的高光谱图像的获取变得越来越容易。高光谱图像有上百个光谱并且有着非常高的分辨率，这就使得高光谱图像包含着非常丰富的光谱信息和空间信息，从而能够得到更好的分类效果。因此，高光谱图像在很多领域中都得到了应用，例如地质调查、植被研究、农业生产、大气科学等等。然而，大量的光谱信息使得高光谱图像数据体积很大，而且相邻光谱之间的相关性高，造成数据的冗余，这就导致很难直接的从高光谱图像中得到感兴趣的信息。为了得到有效信息，需要对高光谱图像进行降维。特征提取是一种有效的对高光谱图像进行降维的方法，特征提取能够将高光谱图像映射到一个相对较低的空间同时能够在后续的分类中得到相似的甚至是更好的结果，这样能在一定程度上避免高光谱数据体积大和信息冗余的现象。特征提取一般分为有监督特征提取和无监督特征提取。在有监督特征提取中，标签发挥着重要作用，标签能够指导特征提取的过程使得从具有相同标签的数据中提取的特征非常接近，而从具有不同类别标签的数据中提取的特征之间的差异很大；无监督特征提取和有监督特征提取最大的区别就是在特征提取的过程中没有使用标签信息，无监督特征提取通过学习不同类别之间的模式来提取特征。对于高光谱图像来说，它的数据是像素级的，也就是说每一个像素都有一个标签，但是获取这样的标签信息非常困难，而且费时费力。主成分分析是常用的无监督特征提取方法，主成分分析通过线性映射从高维的输入空间中提取出潜在的特征，从而达到降低维度的效果。但是高光谱数据是非线性的，所以主成分分析不能很好的提取高光谱的特征，局部线性嵌入是另外一种无监督降维的方法，而且是通过非线性的映射来降维的，但是当数据体积变大，数据数量变多时，局部线性嵌入就不适用了。近年来，深度特征提取备受关注，深层的网络能够提取抽象的、高级的特征，相对于现有的特征提取方法，深层网络提取的特征在后续的研究中能够取得更好的效果。YushiChen在2014年提出了一种基于堆栈自编码器的深度学习框架，参见Chen,Y.；Lin,Zh.；Zhao,X.；Wang,G.；Gu,Y.,2014.DeepLearning-basedClassificationofHyperspectralData.IEEEJ.Sel.TopicsAppl.EarthObserv.RemoteSens.,vol.7,pp.2094-2107。通过使用自编码器来对网络的每一层进行预训练，然后通过微调来得到最终的模型。这个网络模型能够很好的提取深度特征，但是在网络训练过程中用到了大量的标签信息。综上，高光谱图像存在数据体积大，信息冗余的现象，而且高光谱图像的标签难以获得，所以无监督的特征提取方法非常重要，而现有的无监督特征提取方法往往只考虑了光谱的信息，而没有考虑到空间信息，并且提取出来的特征是低级的、具体的特征。在高光谱图像处理
，研究一种能够无监督的提取空间和光谱信息的高级且抽象的特征的方法是客观急需的。
技术实现思路
本专利技术的目的在于：针对现有的特征提取方法效果不佳，而且在特征提取过程中需要用到大量的标签信息，提出一种完全无监督，图像分类效果更好的基于生成对抗网络的高光谱图像无监督特征提取方法。本专利技术是一种基于生成对抗网络的高光谱图像无监督特征提取方法，其特征在于，包括如下步骤：(1)数据预处理：对无类标的数据进行预处理，将数据进行归一化，并且以每个数据点为中心制作邻域大小为m×m的数据作为真实数据X；(2)生成对抗网络的参数设置：根据要处理的高光谱图像数据规模，设定生成对抗网络的生成器网络G和评论家网络C的网络结构、梯度惩罚系数λ、评论家网络C在每次迭代中权值和偏置的更新次数n、以及最大迭代次数m，并对生成对抗网络的权值和偏置进行初始化；(3)计算生成对抗网络中生成器网络G的输出：生成随机噪声向量Z，将Z作为生成器网络G的输入，将随机噪声向量Z和当前生成器网络G中的权值和偏置进行多层反卷积计算，得到生成器网络的输出G(z)，该生成器网络的输出G(z)是一个和真实数据X有相同的大小的假数据；(4)构建生成对抗网络的目标函数：将生成器网络G生成的数据G(z)和真实数据X输入评论家网络C，将评论家网络C的输入与当前评论家网络C中的权值和偏置进行多层卷积计算，得到生成对抗网络的目标函数；(5)通过迭代完成生成对抗网络的训练：根据得到的目标函数，通过反向传播算法对生成对抗网络的权值和偏置进行更新，一次更新包括，对生成器网络G中的权值和偏置更新一次，然后对评论家网络C中的权值和偏置更新n次；判断是否达到迭代次数k，如果迭代次数小于k，转到步骤(3)，反复执行步骤(3)至步骤(5)，进行生成对抗网络的训练，直至达到迭代次数；如果迭代次数达到k，生成对抗网络训练完成，转到步骤(6)；(6)生成对抗网络的无监督特征提取：将真实数据X输入到训练完成后的评论家网络C中，然后提取真实数据X对应的训练完成后的评论家网络C中的倒数第二层和倒数第三层的输出，并对提取到的输出进行池化和组合操作，最终得到高光谱图像真实数据X的无监督特征。本专利技术能够同时提取高光谱图像的空间和光谱特征，而且提取出的特征是抽象的深度特征，更有利于后续的图像分类等研究。本专利技术与现有技术相比具有以下优点：1、本专利技术与其他的无监督特征提取方法相比，由于使用生成对抗网络，通过网络之间不断的对抗学习，最后使用评论家网络提取出的特征用于高光谱图像分类得到的精确度更高，实验数据和仿真也验证了本专利技术的有效性；2、本专利技术在进行网络特征提取的时候使用了网络的多层特征，和其他特征提取方法只提取网络的一层特征相比，本专利技术通过提取网络的多层特征，然后对这些提取到的特征进行池化和组合操作，本专利技术提取到的特征包含的信息更多，因此，有效的提高了高光谱图像的分类精度；3、本专利技术在训练过程中和特征提取过程中都没有使用任何标签，是一种完全无监督的特征提取方法；4、本专利技术由于采用的是卷积神经网络，在计算卷积计算的时候，不仅所有的频谱信息，空间信息也被用来进行卷积计算，因此能够同时提取光谱信息和空间信息，与现有的只能提取光谱信息的特征提取方法相比，本专利技术提取出的特征能够更好的表达原数据。附图说明图1是本专利技术实现步骤的流程框图；图2(a)是IndianPines数据集伪彩色图像，图2(b)是IndianPines数据集的分类参考图；图3(a)是PaviaUniversityscene数据集伪彩色图像，图3(b)是PaviaUniversityscene数据集的分类参考图。具体实施方式下面结合附图和实施例对本专利技术详细说明实施例1现有的无监督特征提取方法往往只考虑了光谱的信息，而没有考虑到空间信息，并且提取出来的特征是低级的、具体的特征。因此，研究一种能够无监督的提取空间和光谱信息的高级且抽象的特征的方法是至关重要的，本专利技术正是在该领域进行的探索。本专利技术是一种基于生成对抗网络的高光谱图像无监督特征提取方法，参照图1，本专利技术的具体实现步骤如下：(1)数据预处理：对无类本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的高光谱图像无监督特征提取方法，其特征在于，包括如下步骤：(1)数据预处理：对无类标的数据进行预处理，将数据进行归一化，并且以每个数据点为中心制作邻域大小为m×m的数据作为真实数据X；(2)生成对抗网络的参数设置：根据要处理的高光谱图像数据规模，设定生成对抗网络的生成器网络G和评论家网络C的网络结构、梯度惩罚系数λ、评论家网络C在每次迭代中权值和偏置的更新次数n、以及最大迭代次数k，并对生成对抗网络的权值和偏置进行初始化；(3)计算生成对抗网络中生成器网络G的输出：生成随机噪声向量Z，将Z作为生成器网络G的输入，将随机噪声向量Z和当前生成器网络G中的权值和偏置进行多层反卷积计算，得到生成器网络的输出G(z)，该生成器网络的输出G(z)是一个和真实数据X有相同大小的假数据；(4)构建生成对抗网络的目标函数：将生成器网络G生成的数据G(z)和真实数据X输入评论家网络C，将评论家网络C的输入与当前评论家网络C中的权值和偏置进行多层卷积计算，得到生成对抗网络的目标函数；(5)通过迭代完成生成对抗网络的训练：根据得到的目标函数，通过反向传播算法对生成对抗网络的权值和偏置进行更新，一次更新包括，对生成器网络G中的权值和偏置更新一次，然后对评论家网络C中的权值和偏置更新n次；判断是否达到迭代次数k，如果迭代次数小于k，转到步骤(3)，反复执行步骤(3)至步骤(5)，进行生成对抗网络的训练，直至达到迭代次数；如果迭代次数达到k，生成对抗网络训练完成，转到步骤(6)；(6)生成对抗网络的无监督特征提取：将真实数据X输入到训练完成后的评论家网络C中，然后提取真实数据X对应的训练完成后的评论家网络C中的倒数第二层和倒数第三层的输出，并对提取到的输出进行池化和组合操作，最终得到高光谱图像真实数据X的无监督特征。...

【技术特征摘要】
1.一种基于生成对抗网络的高光谱图像无监督特征提取方法，其特征在于，包括如下步骤：(1)数据预处理：对无类标的数据进行预处理，将数据进行归一化，并且以每个数据点为中心制作邻域大小为m×m的数据作为真实数据X；(2)生成对抗网络的参数设置：根据要处理的高光谱图像数据规模，设定生成对抗网络的生成器网络G和评论家网络C的网络结构、梯度惩罚系数λ、评论家网络C在每次迭代中权值和偏置的更新次数n、以及最大迭代次数k，并对生成对抗网络的权值和偏置进行初始化；(3)计算生成对抗网络中生成器网络G的输出：生成随机噪声向量Z，将Z作为生成器网络G的输入，将随机噪声向量Z和当前生成器网络G中的权值和偏置进行多层反卷积计算，得到生成器网络的输出G(z)，该生成器网络的输出G(z)是一个和真实数据X有相同大小的假数据；(4)构建生成对抗网络的目标函数：将生成器网络G生成的数据G(z)和真实数据X输入评论家网络C，将评论家网络C的输入与当前评论家网络C中的权值和偏置进行多层卷积计算，得到生成对抗网络的目标函数；(5)通过迭代完成生成对抗网络的训练：根据得到的目标函数，通过反向传播算法对生成对抗网络的权值和偏置进行更新，一次更新包括，对生成器网络G中的权值和偏置更新一次，然后对评论家网络C中的权值和偏置更新n次；判断是否达到迭代次数k，如果迭代次数小于k，转到步骤(3)，反复执行步骤(3)至步骤(5)，进行生成对抗网络的训练，直至达到迭代次数；如果迭代次数达到k，生成对抗网络训练完成，转到步骤(6)；(6)生成对抗网络的无监督特征提取：将真实数据X输入到训练完成后的评论家网络C中，然后提取真实数据X对应的训练完成后的评论家网络C中的倒数第二层和倒数第三层的输出，并对提取到的输出进行池化和组合操作，最终得到高光谱图像真实数据X的无监督特征。2.根据权利要求1所述的基于生成对抗网络的高光谱图像无监督特征提取方法，其中步骤(3)所述的计算生成对抗网络中生成器网络G的输出，包括如下步骤：(3a)首先生成服从均匀分布的随机噪声向量Z，然后将随机噪声向量Z输入到生成器网络G中；(3b)随机噪声向量Z经过全连接层计算后的输出数据为一个一维数据，然后把它变形得到一个...

【专利技术属性】
技术研发人员：公茂果，王善峰，毛贻顺，张明阳，张天乐，武越，牛旭东，杨月磊，
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