基于多类生成对抗网络的高光谱图像分类方法技术

本发明专利技术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。本发明专利技术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。

Hyperspectral image classification method based on multi class generation against network

The invention discloses a hyperspectral image classification method based on multi-class generation antagonism network, which comprises the following steps: (1) input hyperspectral images; (2) acquisition of sample sets; (3) generation of training samples and test samples; (4) construction of multi-class generation antagonism network; (5) generation of samples by generators; (6) generation of training samples with discriminators Samples are classified; (7) loss function of generator and discriminator is constructed; (8) alternating training generator and discriminator; (9) hyperspectral image is classified. The method utilizes the built multi-class generation antagonism network to extract the spatial characteristics of pixel neighborhood, and generates samples to increase the number of samples, enhances the feature extraction ability of the network, alleviates the problem of network over-fitting, and improves the accuracy of hyperspectral image classification.

【技术实现步骤摘要】
基于多类生成对抗网络的高光谱图像分类方法
本专利技术属于图像处理
，更进一步涉及图像分类
中的一种基于多类生成对抗网络(multi-classgenerativeadversarialnetworks)的高光谱图像分类方法。本专利技术可用于对高光谱图像的地物进行分类。
技术介绍
高光谱图像光谱分辨率的提高，为分类提供了更加丰富信息的同事，也带来了巨大的挑战。目前应用在高光谱图像分类中的传统方法包括支撑矢量机、决策树等，基于深度学习的方法包括栈式自编码器、卷积神经网络等。深度学习需要大量的有标签数据作为训练样本，而在高光谱图像中，难以收集到足够的有标签数据，因此在基于深度学习的高光谱图像分类中，高光谱图像有标签数据不足的问题已经限制了高光谱图像的分类精度。太仓稻信信息科技有限公司在其申请的专利文献“一种高光谱图像分类方法”(专利申请号：201710406644.4，公开号：CN107247966A)中提出了一种高光谱图像分类方法。该方法首先对要分类的图像进行多尺度分割，对多尺度分割后的图像进行显著图提取，在显著图提取后的图像中，对像元进行光谱特征提取，对提取的特征进行归一化，对归一化后的像元特征用非线性核函数方法分类。该方法虽然能够减少辐射误差和几何误差影响，但是，该方法仍然存在的不足之处是，只提取了像元的光谱特征，没有提取像元邻域的空间特征，导致分类准确性不高。北京航空航天大学在其申请专利文献“一种基于深度学习的高光谱图像分类方法”(专利申请号：201710052345.5，公开号：CN106845418A)中提出了一种高光谱图像分类方法。该方法首先采用非线性的自编码网络对高光谱图像进行降维。在降维后的图像中，将有标签像元邻域的数据立方体作为样本输入卷积神经网络，然后将像元对应的标签作为卷积神经网络的期望输出，训练卷积神经网络，最后将训练好的卷积神经网络作用于高光谱图像中的每个像元，得到分类结果。该方法虽然保留了样本的非线性信息，但是，该方法仍然存在的不足之处是，样本数目相对于网络参数数目过少，导致网络过拟合，分类准确性不高。
技术实现思路
本专利技术的目的是针对上述已有技术的不足，提出一种能够适用于图像处理的基于多类生成对抗网络的高光谱图像分类方法。实现本专利技术目的的思路是，先搭建多类生成对抗网络，用多类生成对抗网络中的生成器生成样本，用判别器对训练样本和生成的样本进行分类，再构造生成器和判别器的损失函数，交替训练生成器和判别器，最后将测试样本输入训练好的多类生成对抗网络的判别器中，得到高光谱图像的分类结果。本专利技术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；(2b)将每个空间窗内所有的像素组成一个数据立方体；(2c)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。本专利技术与现有技术相比具有以下优点：第一，由于本专利技术搭建了多类生成对抗网络，利用搭建的多类生成对抗网络中的空间卷积和逆卷积操作提取像元领域的空间特征，克服了现有技术只提取像元的光谱特征，没有提取像元邻域的空间特征，导致分类准确性不高的问题，使得本专利技术增强了网络的提取特征能力，提高了分类的准确性。第二，由于本专利技术用生成器生成样本，用判别器对训练样本和生成的样本进行分类，生成的样本加入样本集合增加了样本的数量，克服了现有技术中样本数目相对于参数数目过少，导致的网络过拟合，分类准确性不高的问题，使得本专利技术提高了在样本数量较少的情况下分类的准确性。附图说明图1是本专利技术的流程图；图2是本专利技术的仿真图。具体实施方式下面结合附图对本专利技术做进一步的描述。结合附图1中，实现本专利技术的具体步骤如下：步骤1，输入高光谱图像。步骤2，获取样本集。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。将每个空间窗内所有的像素组成一个数据立方体。将所有的数据立方体组成高光谱图像的样本集。步骤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。步骤4，搭建多类生成对抗网络。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。所述的生成器的层间设置按照从左到右依次为，全连接层，逆卷积层，逆卷积层，逆卷积层，逆卷积层，其中，全连接层的输入和输出节点个数分别为100和512，每个逆卷积层的卷积核大小为5×5个像素大小，步长为2。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。所述的判别器的层间设置按照从左到右依次为，卷积层，卷积层，卷积层，卷积层，多分类层，其中，每个卷积层的卷积核为5×5个像素大小,步长为2，全连接层的输入节点个数是512，输出节点个数和高光谱图像地物种类数相等。将生成器和判别器组成多类生成对抗网络。步骤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。所述的高斯噪声向量通过生成器进行非线性映射的步骤如下：第1步，将100维的高斯噪声向量输入生成器的全连接层，依次进行线性的全连接变换、非线性Relu变换、矩阵形状变换、批标准化，得到2×2×128个像素大小的全连接层输出特征图。第2步，将全连接层输出特征图输入到生成器本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】
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。2.根据权利要求1所述的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：步骤(4a)中所述生成器的层间设置按照从左到右依次为，全连接层，逆卷积层，逆卷积层，逆卷积层，逆卷积层，其中，全连接层的输入和输出节点个数分别为100和512，每个逆卷积层的卷积核大小为5×5个像素大小，步长为2。3.根据权利要求1所述的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：步骤(4b)中所述判别器的层间设置按照从左到右依次为，卷积层，卷积层，卷积层，卷积层，多分类层，其中，每个卷积层的卷积核为5×5个像素大小,步长为2，全连接层的输入节点个数是512，输出节点个数和高光谱图像地物种类数相等。4.根据权利要求1所述的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：步骤(5)中所述高斯噪声向量通过生成器进行非线性映射的步骤如下：第一步，将100维的高斯噪声向量输入生成器的全连接层，依...

【专利技术属性】
技术研发人员：冯婕，于海鹏，焦李成，张向荣，王蓉芳，尚荣华，刘若辰，刘红英，
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