一种基于Triple GAN的高光谱图像分类方法技术

本发明专利技术涉及一种基于Triple GAN的高光谱图像分类方法，首先采用主成分算法压缩高光谱影像光谱特征，以降低特征维度并减少冗余性；之后获得高光谱样本图像所对应预设各种待选图像特征；然后应用Triple GAN分类网络完成分别基于各种待选图像特征下的高光谱样本图像分类操作，结合高光谱样本图像的实际分类，选择最高分类准确率所对应的待选图像特征，作为样本图像集所对应的目标图像特征；最后以目标图像特征为输入，高光谱样本图像的实际分类为输出，完成针对Triple GAN分类网络的训练，获得图像分类模型；则在实际应用中，通过目标图像特征，应用图像分类模型即可完成目标高光谱图像的分类，由此实现了对高光谱图像的高效分类，保证实际工作效率。

【技术实现步骤摘要】
一种基于TripleGAN的高光谱图像分类方法
本专利技术涉及一种基于TripleGAN的高光谱图像分类方法，属于遥感图像处理

技术介绍
遥感指在航空航天平台上通过特定成像仪器采集观测目标电磁波谱段，并成像以获取观测对象多方面特征信息的信息采集方式。自上个世纪60年代现代遥感技术投入使用以来，该技术已经在各个领域发挥了巨大的作用，因此现代遥感技术已经成为衡量一个国家技术发展水平和综合实力的重要标志。为了进一步加强人类对地球资源、自然环境和地外空间探索开发的能力，同时扩展人类监测地表各种异常气候的手段，各国政府投入了大量资源研发兼具高空间分辨率和高光谱分辨率的高科技探测仪器，高光谱遥感技术应运而生。作为当前遥感方面的前沿技术，高光谱遥感具有高光谱分辨率和图谱合一的特点，是遥感技术发展史上一次巨大的突破。高光谱遥感影像的特殊之处在于它由几十到上百个波段组成，其光谱分辨率比多光谱遥感更高，可以达到甚至超过10nm。因此高光谱遥感影像能够提供比传统遥感影像更为精细的光谱信息，从而发现许多存在于狭窄光谱范围中的地物特性，提升遥感技术对于本文档来自技高网...

【技术保护点】
1.一种基于Triple GAN的高光谱图像分类方法，其特征在于：首先执行如下步骤A至步骤F，实现图像分类模型的获得；然后针对目标高光谱图像，应用图像分类模型，执行如下步骤I至步骤III，实现目标高光谱图像的分类；/n步骤A.收集分别对应于各预设实际分类的各幅高光谱样本图像，构建样本图像集，然后进入步骤B；/n步骤B.针对样本图像集中的各幅高光谱样本图像，分别执行主成分分析法进行降维操作，更新样本图像集中的各幅高光谱样本图像，然后进入步骤C；/n步骤C.分别针对样本图像集中的各幅高光谱样本图像，获得高光谱样本图像所对应预设各种待选图像特征，即获得样本图像集中各幅高光谱样本图像分别所对应的各种待...

【技术特征摘要】
1.一种基于TripleGAN的高光谱图像分类方法，其特征在于：首先执行如下步骤A至步骤F，实现图像分类模型的获得；然后针对目标高光谱图像，应用图像分类模型，执行如下步骤I至步骤III，实现目标高光谱图像的分类；
步骤A.收集分别对应于各预设实际分类的各幅高光谱样本图像，构建样本图像集，然后进入步骤B；
步骤B.针对样本图像集中的各幅高光谱样本图像，分别执行主成分分析法进行降维操作，更新样本图像集中的各幅高光谱样本图像，然后进入步骤C；
步骤C.分别针对样本图像集中的各幅高光谱样本图像，获得高光谱样本图像所对应预设各种待选图像特征，即获得样本图像集中各幅高光谱样本图像分别所对应的各种待选图像特征，然后进入步骤D；
步骤D.分别针对各种待选图像特征，以样本图像集中各幅高光谱样本图像分别对应的待选图像特征为输入，应用TripleGAN分类网络针对样本图像集中的各幅高光谱样本图像进行分类，获得样本图像集中各幅高光谱样本图像分别基于该待选图像特征的网络分类，并结合样本图像集中各幅高光谱样本图像分别对应的实际分类，获得样本图像集中全部高光谱样本图像基于该待选图像特征的分类准确率；进而获得样本图像集中全部高光谱样本图像分别基于各种待选图像特征的分类准确率，然后进入步骤E；
步骤E.根据样本图像集中全部高光谱样本图像分别基于各种待选图像特征的分类准确率，选择最高分类准确率所对应的待选图像特征，作为样本图像集所对应的目标图像特征，然后进入步骤F；
步骤F.以样本图像集中各幅高光谱样本图像分别对应的目标图像特征为输入，各幅高光谱样本图像分别对应的实际分类为输出，针对TripleGAN分类网络进行训练，获得训练后的分类网络，即构成图像分类模型；
步骤I.针对目标高光谱图像执行主成分分析法进行降维操作，更新目标高光谱图像，然后进入步骤II；
步骤II.获得目标高光谱图像所对应的目标图像特征，然后进入步骤III；
步骤III.以目标高光谱图像所对应的目标图像特征为输入，应用图像分类模型针对目标高光谱图像进行分类，获得目标高光谱图像的分类结果。


2.根据权利要求1所述一种基于TripleGAN的高光谱图像分类方法，其特征在于：所述步骤C中，预设各种待选图像特征包括灰度共生矩阵特征、Gabor滤波特征、形态学剖面特征、形态学属性剖面特征，即获得样本图像集中各幅高光谱样本图像分别所对应灰度共生矩阵特征、Gabor滤波特征、形态学剖面特征、形态学属性剖面特征。


3.根据权利要求2所述一种基于TripleGAN的高光谱图像分类方法，其特征在于：所述步骤C中，按如下步骤α1至步骤α9，获得所述高光谱样本图像对应的灰度共生矩阵特征；
步骤α1.针对高光谱样本图像进行灰度化处理，更新高光谱样本图像，然后进入步骤α2；
步骤α2.由高光谱样本图像中任意一个像素出发，根据该像素的灰度值m，统计高光谱样本图像中与该像素相距各种距离δ下、各种灰度值n的像素的个数，构成高光谱样本图像中不同灰度像素分布对应的统计矩阵，然后进入步骤α3；
步骤α3.根据高光谱样本图像中不同灰度像素分布对应的统计矩阵，按如下公式：



获得高光谱样本图像所对应的灰度对比度CON，其中，p(m,n)表示灰度值为m的像素与灰度值为n的像素之间联合分布的概率,然后进入步骤α4；
步骤α4.根据高光谱样本图像中不同灰度像素分布对应的统计矩阵，按如下公式：



获得高光谱样本图像所对应的灰度差异性Dis,然后进入步骤α5；
步骤α5.根据高光谱样本图像中不同灰度像素分布对应的统计矩阵，按如下公式：


...

【专利技术属性】
技术研发人员：薛朝辉，郑晓菡，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32