基于SACVAEGAN的高光谱图像分类方法技术

本发明专利技术公开了基于SACVAEGAN的高光谱图像分类方法，在CVAEGAN的基础加入了一个潜在向量分类器模块用于对高光谱数据对应的潜在向量进行分类，使其与解码器和样本分类器协作训练，解决了GAN网络中随机产生的潜在向量与类别难以对应的问题，进而提高了准确性。在解码器，编码器以及判别器中应用了自注意力机制以及谱正则化的方法，自注意力机制能够使得网络模型能够更好的提取高光谱数据的特征，谱正则化方法能够提高模型的稳定性。在样本分类器中从空间和光谱两个角度进行提取特征，加入了残差网络的结构，提高模型分类的效果。

【技术实现步骤摘要】
基于SACVAEGAN的高光谱图像分类方法
本专利技术涉及高光谱图像分类领域，具体属于一种对高光谱图像进行分类的方法。
技术介绍
随着遥感技术的不断发展，高光谱图像(HSI)在地球观测领域取得了重大的突破。与传统的三通道彩色图像不同的是，HSI可以同时收集数百个光谱带中的图像，具有非常丰富的光谱信息。因此，高光谱图像被广泛应用在卫星遥感、农作物观测以及矿物勘测等领域。在高光谱数据处理技术中，分类问题一直是非常活跃的主体之一。高光谱数据的分类问题通常有两种分类方法：光谱分类器和光谱-空间分类器。传统的高光谱图像分类算法通常包括支持向量机(SVM)，K最近邻(KNN)，最大似然，神经网络和逻辑回归。然而，由于相同的材料可能存在光谱差异，不同的材料可能存在相似的光谱特征，因此很难仅仅通过光谱信息来准确的区分不同类别。为了解决上述问题，一些学者提出了将光谱信息可空间信息结合的方法来提高分类性能。由于传统的分类方法设计大量的经验和参数设置，近年来深度学习的方法在高光谱图像分类中得到了大量的应用。特别是卷积神经网络(CNN)受到了极大的关注本文档来自技高网...

【技术保护点】
1.基于SACVAEGAN的高光谱图像分类方法，其特征在于：包括如下步骤/n(1)首先对高光谱图像数据进行预处理；/n(2)构建网络模型；/n在进行完数据预处理之后，接下来是构建网络模型；训练网络模型由五部分构成，分别是：条件变分自编码器、判别器、样本分类器和潜在向量分类器；/n(3)训练网络；/n数据和模型分别处理好之后开始进行训练；训练过程主要分为四大部分，即对条件变分自编码器、判别器、样本分类器以及潜在向量分类器进行训练；/n(4)高光谱图像分类；/n模型训练完成之后进行测试；将测试结果与真实值进行比对，从而得到分类结果，计算出准确率。/n

【技术特征摘要】
1.基于SACVAEGAN的高光谱图像分类方法，其特征在于：包括如下步骤
(1)首先对高光谱图像数据进行预处理；
(2)构建网络模型；
在进行完数据预处理之后，接下来是构建网络模型；训练网络模型由五部分构成，分别是：条件变分自编码器、判别器、样本分类器和潜在向量分类器；
(3)训练网络；
数据和模型分别处理好之后开始进行训练；训练过程主要分为四大部分，即对条件变分自编码器、判别器、样本分类器以及潜在向量分类器进行训练；
(4)高光谱图像分类；
模型训练完成之后进行测试；将测试结果与真实值进行比对，从而得到分类结果，计算出准确率。


2.根据权利要求1所述的基于SACVAEGAN的高光谱图像分类方法，其特征在于：步骤(1)中，(1a)首先对原始的高光谱数据边缘进行填充补零，使得能以每个点为中心取窗口大小为patchsize×patchsize的数据，其中IndianPines数据集和Salinas数据集patchsize大小为28，PaviaU数据集的patchsize大小为24；
(1b)随机选取K个点作为训练标签，其中IndianPines和PaviaU数据集用500个点作为训练标签，Salinas数据集用200个标签作为训练标签，其余作为测试标签；
(1c)获得样本集；获得高光谱图像的样本集，以随机获取的K个训练标签为中心，窗口大小为patchsize×patchsize划分训练数据，其余划分为patchsize×patchsize大小的测试数据。


3.根据权利要求1所述的基于SACVAEGAN的高光谱图像分类方法，其特征在于：步骤(2)中，(2a)条件变分自编码器分为解码器和编码器；编码器主要作用是生成真实高光谱数据对应的潜在向量；编码器结合了自注意力机制和谱归一化方法；解码器主要作用是根据潜在向量生成对应的虚拟的高光谱数据，解码器结合了自注意力机制和谱归一化方法；
(2b)判别器主要作用是判...

【专利技术属性】
技术研发人员：陈志涛，同磊，禹晶，肖创柏，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11