一种基于对抗攻击的高光谱图像分类方法、系统和设备技术方案

本发明专利技术公开了一种基于对抗攻击的高光谱图像分类方法、系统和设备，属于图像处理技术领域，采用对抗攻击的方法生成了分类边界的分类样本，克服了已有技术中生成的样本难以描述分类边界样本的特性，导致分类边界样本分类精度没有明显提升的问题，从而有效提高了分类器的分类精度。即本发明专利技术拟生成分类边界的对抗样本，能够提升深度神经网络对于边界样本的分类能力。采用迭代更新的方案，可以根据实时分类情况不断细化分类边界，得到更为精确地分类边界。本发明专利技术方法可用于气象监测、大气环境监测、土地利用、城市规划、水文检测，农业生产，军事目标检测、矿物勘探以及防灾减灾。矿物勘探以及防灾减灾。矿物勘探以及防灾减灾。

【技术实现步骤摘要】
一种基于对抗攻击的高光谱图像分类方法、系统和设备


[0001]本专利技术属于图像处理
，涉及一种基于对抗攻击的高光谱图像分类方 法、系统和设备。

技术介绍

[0002]高光谱图像是由搭载高光谱成像仪的航天航空飞行器获取到的三维立体图 像，具有“图谱合一”的特点，与自然图像相比，第一，它能达到纳米级别的分辨 率，第二，它是一个能够充分反映地物目标光谱特征的数据立方体，包含着丰富 的空间信息和光谱信息。高光谱图像分类的目标是依据样本特征为图像中的每个 像元赋予类别标签。但由于高光谱图像的光谱分辨率高，光谱数量多，并且高光 谱数据的标签采集比较困难，人工标注成本高，样本的缺乏增加了高光谱图像的 分类难度。
[0003]目前，对于高光谱图像的分类任务，一种是采用传统的方法，例如利用光谱 特征和数据的统计特征的分类方法，包括常用的K近邻算法以及支持向量机 (SVM)。但是，传统的方法一方面是没有考虑到高光谱图像丰富的空间信息， 导致特征提取不够完整；另一方面是大多数方法于手工特征，需要人工判别和标 注，会花费比较多的人力和时间。另一种方法是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗攻击的高光谱图像分类方法，其特征在于，包括如下步骤：步骤1)获取原始高光谱图像，对原始高光谱图像分类后得到若干个样本，对样本进行分类，每一类样本分为两组，分别为训练样本集合和测试样本集合；步骤2)基于训练样本集合对深度卷积神经网络进行预训练；步骤3)基于预训练之后的深度卷积神经网络进行计算，得到基准样本和目标攻击类；步骤4)设计目标攻击损失函数，通过迭代训练给基准样本添加扰动对目标类进行攻击，生成目标攻击类的对抗样本；将对抗样本加入训练样本集合中进行迭代更新，迭代更新完成后得到训练好的深度卷积神经网；步骤5)将测试样本集合中的样本输入到训练好的深度卷积神经网络中，计算得到测试样本集合中每一个样本的预测分类结果，完成分类。2.根据权利要求1所述的基于对抗攻击的高光谱图像分类方法，其特征在于，步骤1)中，样本的获取过程为：获取原始高光图像，对获取的原始高光图像进行主成分分析的光谱降维，得到降维后的高光谱图像；对降维后的高光谱图像逐像素进行图像分块，得到若干个样本。3.根据权利要求2所述的基于对抗攻击的高光谱图像分类方法，其特征在于，光谱降维时，光谱维数设为10。4.根据权利要求1所述的基于对抗攻击的高光谱图像分类方法，其特征在于，步骤3)的具体操作为：分别对训练样本集合中的每一个样本，通过预训练的深度神经网络进行前向计算，得到该样本在每一类上的输出概率得分，进而选择基准样本和目标攻击类。5.根据权利要求1所述的基于对抗攻击的高光谱图像分类方法，其特征在于，步骤4)中，迭代更新的具体操作为：选取固定的迭代间隔；重新选择基准样本和目标攻击类；重新生成目标攻击类的对抗样本，并将生成的对抗样本加入到训练样本集合中，用更新的训练样本集合中的样本再次训练深度卷积神经网络。6.根据权利要求1所述的基于对抗攻击的高光谱图像分类方法，其特征在于，步骤4)中，对抗样本的生成过程为：步骤41)设计目标攻击损失函数为loss
t
(x)＝f
b
(x)
‑
f
t
(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：石程，党叶楠，赵明华，吕志勇，尤珍臻，杨秀红，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：