一种基于生成对抗网络的高光谱影像树种分类方法、装置制造方法及图纸

本发明专利技术公开了一种基于生成对抗网络的高光谱影像树种分类方法、装置，方法包括：将高光谱影像进行影像分割后、进行图像重构；提取高光谱影像的纹理特征和光谱特征；将纹理特征和光谱特征输入基于结合注意力机制的生成对抗网得到带注意力的图像特征，送入判别器中得到最大化优化后判别器的输出特征；根据输入特征获得的得分值最小化来优化生成器的生成分布并将判别器的最后的输出特征送人分类器得到分类结果。可以得到森林各类树种的分布覆盖情况，实现单目树种类型分类，便于监控监管，同时所需的数据预处理及人工采集的数目样本较少，适用于大部分地理区域和土地覆被类型，方法可行性、稳健性和预测结果准确度较高。稳健性和预测结果准确度较高。稳健性和预测结果准确度较高。

【技术实现步骤摘要】
一种基于生成对抗网络的高光谱影像树种分类方法、装置


[0001]本专利技术涉及数据处理领域，尤其涉及一种基于生成对抗网络的高光谱影像树种分类方法、装置。

技术介绍

[0002]与常规的实地勘测相比，遥感技术可以快速高效地监测林业生态系统。林业遥感的一个重要方向就是树种分类及识别技术，部分学者融合激光雷达和高光谱数据对森林树种进行分类研究并取得了积极进展，但激光雷达数据的获取成本昂贵且受飞行区域面积影响，应用前景受到限制。多光谱卫星遥感受到空间分辨率和光谱分辨率的影响，对于地物精细分类同样具有局限性。高光谱数据能发掘更多的植被信息，当前无人机高光谱数据获取便捷、成本低、周期短、空间分辨率高，给树种分类带来新的遥感数据源。
[0003]现有的无人机高光谱影像分类方法，所采用的方案主要分为两类：监督分类和非监督分类。监督分类基于已知地物类别的样本数据来判断非样本数据的类别，如最大似然法(MLC)、支持向量机(SVM)等；非监督分类则仅凭遥感影像的光谱特征来判断数据的类别，如K
‑
means均值算法、ISODATA等。
...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的高光谱影像树种分类方法，其特征在于，包括：获取高光谱影像数据；将高光谱影像进行影像分割；将分割后的高光谱影像输入预训练好的Vgg网络模型进行图像重构，得到优化后的高光谱影像；对优化后的高光谱影像通过灰度共生矩阵提取得到纹理特征；对优化后的高光谱影像进行独立主成分分析得到不同波段的光谱特征，挑选光谱特征较多的前m个波段的光谱特征作为提取得到的光谱特征；将提取得到的纹理特征和光谱特征输入注意力网络模型，得到输出的带有注意力的图像特征；将带有注意力的图像特征结合设定的服从标准正态分布的随机噪声z作为生成对抗网络中生成器的输入，通过生成网络生成得到未知类图像特征；将带注意力的图像特征及未知类图像特征作为判别器的输入，得到最大化优化后判别器的输出特征；将判别器的输出特征返回输入生成器来优化生成器的生成分布，再将生成器的输出特征输入判别器，重复该步骤N次进行迭代优化直至满足迭代停止条件，得到最终的判别器输出的最大化优化后的带权重的图像特征；把带权重的图像特征作为分类器的输入，得到输出的高光谱影像树种分类结果。2.根据权利要求1所述的基于生成对抗网络的高光谱影像树种分类方法，其特征在于，所述迭代停止条件为判别器和生成器达到纳什平衡。3.根据权利要求1所述的基于生成对抗网络的高光谱影像树种分类方法，其特征在于，用于规范生成对抗网络，损失函数采用以下公式进行计算：其中为生成对抗网络的损失函数，x～P
data
和z～P
z
表示真实输入向量和噪声向量；E(
·
)为模型概率分布的期望；D(x)和G(z)分别表示判别器D对真实样本输入向量训练得到的sigmoid输出和生成器G由随机噪声生成的合成数据；D(G(z))表示由G(z)合成的数据送入D获得的输出结果。4.根据权利要求1或2或3所述的基于生成对抗网络的高光谱影像树种分类方法，其特征在于，所述迭代次数N通过生成对抗网络模型对抗训练得到，对抗训练过程中还包括：将分类结果与实测数据进行分类精度评估判定，响应于分类结果不符合分类精度条件，返回迭代N次，直至分类结果符合分类精度条件；其中分类精度评估判定，包括：其中ts，tr分别为已知类图像特征的分类准确率、未知类图像特征的分类准确率，H为图像特征平均分类准确率。5.根据权利要求1所述的基于生成对抗网络的高光谱影像树种分类方法，其特征在于，
将分割后的高光谱影像输入预训练好的Vgg网络模型进行图像重构，包括：所述Vgg网络模型包括平均判别器和生成器；Vgg网络模型的构建方法包括：先用Vgg网络对生成器进行初步的预训练，通过8层卷积层来对输入的各波段真假高光谱图像进行结构提取和比较，最后通过Leaky ReLU激活函数，判断输入图像是否为真高光谱图像的概率；概率计算引入平均判别器(Relativistic Average Discrimination，RaD)，其定义为：Discrimination，RaD)，其定义为：其中，D
RaD
(x
r
,x
f
)、D
RaD
(x
f
,x
r
)分别为判别器预测真实图像特征比假图像特征更真实的概率和判别器预测假图像特征比真实图像特征更真实的概率，x
r
是真实的数据，而x
f
是生成器生成的“假”数据；σ()指Sigmoid函数，C(x
r
)指Leaky ReLU层转换前的真实的数据，(x
f
)指Leaky ReLU层转换前的真实的“假”数据，分别为通过Leaky ReLU层前所有选中的假数据集合的取平均值和...

【专利技术属性】
技术研发人员：黄舟阳，沈子棋，梁咏翔，李文梅，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：