[发明专利]高光谱遥感影像半监督分类方法、装置及存储介质

说明书

本发明公开了一种高光谱遥感影像半监督分类方法、装置及存储介质，其中方法包括建立生成网络结构，所述生成网络结构包括用于生成伪光谱的生成器G；用于接收伪光谱以及真实无标签光谱，判断光谱真伪的判别器D；用于接收伪光谱以及真实有标签光谱，判断输入的类别的分类器C1；训练得到AC‑WGAN网络结构，生成与真实光谱数据相似分布的伪光谱扩充数据集，将扩充后的光谱数据集投入与分类器C1共享参数的分类器C2，获得分类结果。本发明对网络结构和损失函数均进行了改进，减小了数据分类工作和判别工作间的互相影响，并使生成的伪光谱数据的分布更加平滑，解决了因训练样本少导致的分类精度不高的问题。

技术领域

本发明涉及一种光谱影像分类方法、装置及存储介质，尤其涉及一种高光谱遥感影像半监督分类方法、装置及存储介质。

背景技术

高光谱遥感作为一种新兴的对地观测技术，一直处于遥感技术的前沿，现已成为遥感技术领域一个重要的研究热点。不同于传统的全色和多光谱遥感影像，高光谱影像的每个像元上都能提取与其分辨率相应的连续光谱数据，为分析地物特征提供了更为丰富详细的特征信息。目前，高光谱遥感技术已成功应用于地球科学的方方面面，包括农业、环境、生态、水文等领域。

分类是高光谱遥感技术应用中最常见的操作之一，由于高光谱影像融合传统的空间维与光谱维信息这一本质特点，高光谱影像具有较其他遥感影像更强大的分类能力。传统高光谱遥感影像分类方法依据分类过程中是否引入先验知识划分为非监督分类和监督分类。

非监督分类主要利用同类物体在同样条件下具有相同的光谱特征进行聚类分析。常见的非监督分类法主要是K-均值聚类法和动态聚类分析(ISODATA)分类方法。但分析者很难对分类得到的类别进行控制，且需要对得到的不具有类别信息的结果进行大量后续处理以保证结果的可靠性。

监督分类法又称为训练分类法，即用已知类别的样本去训练分类器，从而对未标记样本进行分类。常见的监督分类方法有最小距离分类法、最大似然分类法、平行多面体分类法等。然而，高光谱遥感数据往往具有成百上千的光谱波段，波段间的相关性较大，存在高度的信息冗余，处理不当，反而会影响分类精度；高光谱遥感影像维数高达上千，当样本数不足时反而会出现休斯(Hughes)现象，即当训练样本数目有限时，分类精度会随着影像波段数目的增加先增加，在到达一定极值后，分类精度将出现随波段数目的增加而下降的现象。

综上，非监督分类方法存在分类精度不足的问题，而监督分类方法通常需要足够的训练样本，而样本的标记常常要耗费大量的人力物力。

发明内容

发明目的：本发明提出一种分类精度高、计算高效的高光谱遥感影像半监督分类方法。本发明的另一目的在于提供基于该方法的高光谱遥感影像半监督分类装置及存储介质。

技术方案：本发明所述的高光谱遥感影像半监督分类方法，包括步骤：

(1)对高光谱遥感影像的光谱维及对应标签进行预处理，划分训练集与测试集；

(2)建立生成网络结构，其中：

生成器G用于生成对应的伪光谱，输入为随机生成的固定维数的向量；

判别器D用于接收伪光谱以及真实无标签光谱，判断所输入光谱数据的真伪，输出其为真的概率；

分类器C1用于接收伪光谱以及真实有标签光谱，判断所输入光谱数据的所属于地物类别，输出其类别标签；

(3)对建立的生成网络结构进行训练，使用均方根传递梯度下降策略RM-Sprop对生成网络结构进行优化，得到AC-WGAN网络结构，生成与真实光谱数据相似分布的伪光谱；

(4)将真实光谱以及伪光谱投入与分类器C1共享参数的分类器C2，获得分类结果。