[发明专利]一种改进的基于无监督表征学习的遥感图像场景分类方法

说明书

本发明公开了一种改进的基于无监督表征学习的遥感图像场景分类方法，基于现有的生成对抗网络模型，使用WGAN‑GP的基础理论来定义生成器和鉴别器的损失函数和训练方式，通过在鉴别器后面的最大池化等操作增加一个多特征融合层来提取场景类中的高级和中级特征信息并将特征梯度反馈给生成器，使生成器能够生成接近真实样本的图像，针对遥感图像的空间复杂性和光谱特性，使用更加先进的WGAN‑GP模型来生成更加稳定而多样的高质量256×256大小的假样本图像，最后使用多层感知机分类器来分类多特征融合层中提取到的特征。本方法对比其他无监督表征学习的方法有着更好的适应性，能够适用于复杂的遥感图像场景数据集(比如NWPU‑RESISC45数据集)，本方法更为全面和具体。

技术领域

本发明属于遥感图像智能分类领域。具体涉及一种基于无监督表征学习的遥感图像场景分类方法，可以根骨不带标签的样本，生成高质量的假样本作为数据扩充，然后实现高性能的分类任务。

背景技术

遥感图像场景分类是航空和卫星图像分析领域的一个活跃的研究课题，它是根据图像内容将场景图像分类为一组离散的有意义的土地使用和土地利用(LULC)类。遥感图像场景分类是遥感图像分析解译的重要手段，在灾情监测、交通监管等军事和民用领域均有重要应用价值。场景分类的核心是遥感图像特征提取，如传统的K-means、支持向量机等分类方法。很多高分辨率遥感图像场景分类方法将以手工特征进行编码，以此作为图像的特征表示，比如BoVW模型(Bag of Visual Words)。

近年来，深度学习作为模式识别中新的智能方法，成为机器学习领域研究的热点，在图像、音频、文字识别与分类中得到了广泛应用。场景分类的结果通常取决于从图像中提取的特征，但目前最热门的深度学习方法往往存在着许多局限性，如深度卷积神经网络能够提取有效特征的前提条件是需要大量的带标签训练样本。然而，对未标记的遥感图像进行标注代价太大。为了解决这个问题，部分学者提出了一些无监督的深度学习模型，从大规模无标记数据集中学习到可重复使用的特征。无监督特征学习在机器视觉中已经取得了广泛的应用，例如限制玻尔兹曼机(RBM)、稀疏自动编码器(SAE)和深度信念网络(DBN)等。然而，由于遥感图像场景中的复杂地物类型(如密集居民区、工业区等)和类间相似性(如教堂和体育场、公路和停车场等)等因素，他们对遥感图像的识别准确性并不令人满意。

Goodfellow等人提出的生成对抗网络(GAN)是一种很有前途的无监督学习方法，它是由一个生成器G和鉴别器D组成，生成模型G通过随机噪声(一维序列)生成假样本尽力混淆D模型的鉴定，而鉴别模型D主要学习数据来源到底是来自真实的数据还是生成数据。GANs是一种以无监督学习的方法，可以帮助解决带标签训练集样本少的问题，模型训练时不需要对隐变量做推断，生成器的参数更新不是直接来自数据样本，而是来自鉴别器的反向传播。为了使GANs更适用于图像领域，Radford等人提出了一种结合了生成对抗网络和深度卷积神经网络的深度卷积生成对抗网络模型(DCGAN)。该模型能够很好地学习到图像的特征表示，然后生成出高质量的图像。很多基于DCGAN的模型也都被证实了其的优越性，比如CGAN、WGAN等。但目前对GANs的研究主要集中在小尺度图像的生成上(比如64×64)，但对高质量、高分辨率遥感图像的研究甚少。对比其他图像数据集比如MNIST、LUSN等，遥感图像面积覆盖更广，分辨率更高，地物更加复杂。因此Xu等学者将微调的DCGANs模型用于遥感图像场景分类，增加辅助分类器来进行监督分类，在低样本率的情况下取得了较高的精度。Lin等学者首次将GANs模型与遥感图像场景分类结合在一起，提出了MARTAGANs模型来进行无监督表征学习，在UC Merced数据集上取得了很好的效果。但以上学者的模型存在生成出来的假样本质量低、在多类别的数据集上效果不好，适用性差等问题。而且传统的GANs网络也存在着训练困难、生成器和鉴别器的损失率无法指示训练过程、生成的样本缺乏多样性等问题，使得生成出来的遥感图像出现破碎斑块，甚至退化成噪声点等情况。

发明内容