基于自步双向对抗学习的融合遥感图像分类方法技术

本发明专利技术涉及一种基于自步双向对抗学习的融合遥感图像分类方法，包括获取第一MS图、第一PAN图；根据第一MS图、第一PAN图得到第一MS图像块、第一PAN图像块；将第一MS图像块和第一PAN图像块输入对抗网络得到第二MS图和第二PAN图；根据第一MS图、第一PAN图、第二MS图和第二PAN图得到统一大小的第三MS图像块、第三PAN图像块、第四MS图像块和第四PAN图像块；将三元组输入分类网络，对得到的损失函数整合在一起，基于自步学习的训练策略，得到训练好的分类网络；利用训练好的分类网络对待分类的图像进行分类得到分类结果。本发明专利技术采用自步学习的学习训练策略，让网络在难易样本中先后对易样本和难样本进行训练，使整个网络的训练变得平滑且迅速，提高网络效率。提高网络效率。提高网络效率。

【技术实现步骤摘要】
基于自步双向对抗学习的融合遥感图像分类方法


[0001]本专利技术属于计算机视觉图像处理
，涉及一种基于自步双向对抗学习的融合遥感图像分类方法。

技术介绍

[0002]随着航空航天遥感技术和卫星遥感技术的不断发展和进步，从得到的遥感图像中获取想要得到的信息并应用在日常生活中已经是一种可能。其中，针对到同一场景下获取到的空间分辨率较高的全色图(PAN)和光谱信息较多的多光谱图像(MS)，可以通过提取融合二者的有效信息和特征来进行信息融合，通过融合到的分类特征应用在分类领域逐渐成为研究热点。
[0003]特征互补的多源融合已经被应用在遥感、医疗等多种领域。通常情况下，MS图和PAN图的融合分为传统的融合方法和深度学习的融合方法。在传统的融合方法中包括基于成分替代、基于多分辨率分析、融合策略结合的分类方法。基于成分替代的图像融合方法包括基于IHS变换和基于PCA变换的图像融合方法。IHS方法是将原始多光谱图像从RGB空间变换到IHS空间，然后用高分辨率图像或用不同投影方式得到的融合图像来替代I分量。在IHS系统中，三种成分的相关性比较低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自步双向对抗学习的融合遥感图像分类方法，其特征在于，所述融合遥感图像分类方法包括：步骤1、获取第一MS图、第一PAN图和标注部分区域的地表标签图，所述第一MS图、所述第一PAN图和所述地表标签图对应同一地域；步骤2、依次分别对所述第一MS图、所述第一PAN图进行归一化处理、分割处理和统一大小处理，对应得到多个第一MS图像块、多个第一PAN图像块；步骤3、将所述第一MS图像块和所述第一PAN图像块输入至对抗网络，对应得到第二MS图和第二PAN图，所述对抗网络包括生成网络和鉴别网络；步骤4、以归一化后的所述第一MS图、所述第一PAN图、所述第二MS图和所述第二PAN图中对应标注的像素点为中心取样本块，以对应得到统一大小的第三MS图像块、第三PAN图像块、第四MS图像块和第四PAN图像块，其中，标注的像素点对应所述地表标签图中的标注；步骤5、将第一三元组和第二三元组分别输入分类网络，对得到的三重损失函数通过加权的方式整合在一起，以基于自步学习的训练策略，得到训练好的分类网络，所述第一三元组包括所述第三MS图像块、所述第三PAN图像块和所述第四MS图像块，所述第二三元组包括所述第三MS图像块、所述第三PAN图像块和所述第四PAN图像块；步骤6、利用训练好的分类网络对待分类的图像进行分类，以得到分类结果。2.根据权利要求1所述的基于自步双向对抗学习的融合遥感图像分类方法，其特征在于，所述步骤2包括：步骤2.1、分别将对所述第一MS图和所述第一PAN图中所有像素点的值归一化到[0，1]之间，归一化公式为：其中，p
i
表示图像中的任一像素值，p
min
表示图像中的最小像素值，p
max
表示图像中的最大像素值；步骤2.2、对归一化后的所述第一MS图和所述第一PAN图分别进行分割处理，对应得到多个第一MS图像块和多个第一PAN图像块；步骤2.3、统一所述第一MS图像块和所述第一PAN图像块的大小，得到大小统一的所述第一MS图像块和所述第一PAN图像块。3.根据权利要求1所述的基于自步双向对抗学习的融合遥感图像分类方法，其特征在于，所述步骤3包括：步骤3.1、在随机产生的噪声数据中随机采样一噪声；步骤3.2、将所述噪声输入所述生成网络，得到一组假图像，对所述第一MS图像块、所述第一PAN图像块和所述假图像均标记标签，其中，标签包括真实图像标签和假图像标签；步骤3.3、将标记标签的所述第一MS图像块、所述第一PAN图像块和所述假图像输入所述鉴别网络，得到对应的概率值；步骤3.4、根据所述概率值计算损失函数，利用反向传播算法，更新所述生成网络和所述鉴别网络的参数，直至所述损失函数收敛，所述生成网络和鉴别网络的训练完成，对应得到第二MS图像块、第二PAN图像块；步骤3.5、对所有所述第二MS图像块和所有所述第二PAN图像块分别进行组合和拼接，
对应得到所述第二MS图和所述第二PAN图。4.根据权利要求3所述的基于自步双向对抗学习的融合遥感图像分类方法，其特征在于，所述生成网络共包括五层，其中：所述生成网络的第一层为4*4逆卷积层，步长为2，填充为1，输入通道数64，输出通道数256；所述生成网络的第二层为4*4逆卷积层，步长为2，填充为1，输出通道数为128；所述生成网络的第三层为4*4逆卷积层，步长为2，填充为1，输出通道数为64；所述生成网络的第四层为4*4逆卷积层，步长为2，填充为1，输出通道数为4。5.根据权利要求3所述的基于自步双向对抗学习的融合遥感图像分类方法，其特征在于，所述鉴别网络的第一层为3*3卷积层，步长为1，填充为1，输入通道数为4，输出通道数为64；所述鉴别网络的第一残差块的第一层为3*3卷积层，步长为...

【专利技术属性】
技术研发人员：朱浩，易晓宇，李晓童，焦李成，侯彪，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：