申请/专利权人：西安电子科技大学

申请日：2020-06-04

公开（公告）日：2024-04-02

公开（公告）号：CN111860124B

主分类号：G06V10/764

分类号：G06V10/764;G06V20/10;G06V10/80;G06V10/44;G06V10/52;G06V10/58;G06V10/82;G06N3/0464;G06N3/0475;G06N3/094;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2020.11.17#实质审查的生效;2020.10.30#公开

摘要：本发明公开了一种基于空谱胶囊生成对抗网络模型的遥感图像分类方法。该方法的主要步骤为：1、创建生成对抗网络模型；2、确定样本集；3、采用步骤2的样本集训练生成对抗网络模型；4、模型准确性验证；5、向训练后的生成对抗网络模型中输入待分类高光谱遥感图像，获得分类结果。本方法充分利用了光谱信息和空间信息，能够准确建模样本相对位置等细节特征，使得分类精度以及分类效率低大大提升。

主权项：1.一种基于空谱胶囊生成对抗网络的遥感图像分类方法，其特征在于，包括以下实现步骤：步骤1：创建生成对抗网络模型；步骤1.1：搭建生成器；采用四个全连接层构成光谱生成器，并设置每个全连接层的参数；采用按照数据处理逻辑依次设置一个全连接层、四个反卷积层构成空谱生成器，并设置每层的参数；步骤1.2：搭建具有胶囊网络结构的判别器；判别器包括光谱判别器和空谱判别器；光谱判别器和空谱判别器均包括按照数据处理逻辑依次设置的卷积层、PrimaryCaps层、非线性激活层、DigitCaps层、输出层，分别设置光谱判别器和空谱判别器中各层的参数；其中，在所有使用偶数卷积核的卷积操作之前，都对特征图进行了对称填充，同时空谱判别器的PrimaryCaps层使用了八度卷积；步骤2：确定样本集；步骤2.1：以标准高光谱遥感图像中每个带有标签的像素为中心，分别划定1*1*n_channels和a*a*n_channels大小的空间块；将多个1*1*n_channels大小的空间块记为真实光谱样本集X_spe，将多个a*a*n_channels大小的空间块记为真实空谱样本集X_spa；其中，1*1表示任意一个像素点，a*a表示以任意像素点为中心获得的空间邻域块的行数和列数，n_channels表示标准高光谱遥感图像的通道数；所述标准高光谱遥感图像为帕维亚大学遥感图像数据集或帕维亚中心遥感图像数据集或肯尼迪航天中心遥感图像数据集；步骤2.2：在真实光谱样本集X_spe中，随机选取一部分作为真实光谱训练样本Xtrain_spe，其余部分作为真实光谱测试样本Xtest_spe；在真实空谱样本集X_spa中，随机选取一部分作为真实空谱训练样本Xtrain_spa，其余部分作为真实空谱测试样本Xtest_spa；步骤3：采用步骤2的样本集训练生成对抗网络模型步骤3.1：训练生成器步骤3.1.1：利用Numpy随机函数采样生成200维高斯噪声向量，将高斯噪声向量分别通过光谱生成器和空谱生成器进行非线性映射，从而分别生成假光谱样本GZ_Spe和假空谱样本GZ_Spa；步骤3.1.2：利用光谱判别器对假光谱样本GZ_Spe进行非线性映射，输出对假光谱样本真假的预测结果，记为true_GZ_Spe，以及假光谱样本类标的预测结果，记为label_GZ_Spe；利用空谱判别器对假空谱样本GZ_Spa进行分类，输出对假空谱样本真假的预测结果，记为true_GZ_Spa，以及假空谱样本类标的预测结果，记为label_GZ_Spa；将上面两部分样本真假的预测结果true_GZ_Spe和true_GZ_Spa相加，作为整个模型对假样本真假的预测结果true_GZ_all；将上面两部分样本类标的预测结果label_GZ_Spe和label_GZ_Spa相加，作为整个模型对假样本类标的预测结果label_GZ_all；步骤3.1.3：利用分类损失函数计算假样本类标的预测结果的损失值A，利用均方误差损失函数计算假样本真假的预测结果的损失值B，这两部分损失值加起来，作为总损失值C；步骤3.1.4：利用总损失值C对光谱生成器和空谱生成器进行反向传播训练；步骤3.2：训练判别器步骤3.2.1：利用光谱判别器对真实光谱训练样本X_train_spe进行非线性映射，输出对真实光谱训练样本真假的预测结果，记为true_Spe，以及真实光谱训练样本类标的预测结果，记为label_Spe；利用空谱判别器对真实空谱训练样本X_train_spa进行分类，输出对真实空谱训练样本真假的预测结果，记为true_Spa，和真实空谱训练样本类标的预测结果，记为label_Spa；将上面两部分样本真假的预测结果true_Spe和true_Spa相加，作为整个模型对真实训练样本真假的预测结果true_all；将上面两部分样本类标的预测结果label_Spe和label_Spa相加，作为整个模型对真实训练样本类标的预测结果label_all；步骤3.2.2：利用分类损失函数计算真实样本类标的预测结果的损失值A1，利用均方误差损失函数计算真实样本真假的预测结果的损失值B1，这两部分损失值加起来，作为总损失值C1；步骤3.2.3：利用总损失值C1对光谱判别器和空谱判别器进行反向传播训练；步骤3.2.4：利用光谱判别器对假光谱样本GZ_Spe进行非线性映射，输出对假光谱样本真假的预测结果，记为true_GZ_Spe_1，以及假光谱样本类标的预测结果，记为label_GZ_Spe_1；利用空谱判别器对假空谱样本进行分类，输出对假空谱样本真假的预测结果，记为true_GZ_Spa_1，和假空谱样本类标的预测结果，记为label_GZ_Spa_1；将上面两部分样本真假的预测结果true_GZ_Spe_1和true_GZ_Spa_1相加，作为整个模型对假样本真假的预测结果true_GZ_all_1；将上面两部分样本类标的预测结果label_Spe和label_Spa相加，作为整个模型对假样本类标的预测结果label_GZ_all_1；步骤3.2.5：利用分类损失函数计算假样本类标的预测结果的损失值A2，利用均方误差损失函数计算假样本真假的预测结果的损失值B2，这两部分损失值加起来，作为总损失值C2；步骤3.2.6：利用总损失值C2对光谱判别器和空谱判别器进行反向传播训练；步骤3.3：每训练一次生成器，就训练三次判别器，即执行一次步骤3.1，就要执行三次步骤3.2；步骤3.4：按照步骤3.3迭代处理1000次以上，完成模型的训练；步骤4：模型准确性验证将真实光谱测试样本X_test_spe和真实空谱测试样本X_test_spa输入到训练好的模型中，输出测试样本的预测标签，使其与已知测试样本的标签进行对比，若对比结果满足要求，则认为训练后的生成对抗网络模型满足使用要求；所述对比结果包括总体精度OA，平均精度AA，卡帕系数KAPPA；总体精度OA表示正确分类的样本占所有样本的比例，值越大，说明分类效果越好；平均精度AA表示每一类分类精度的平均值，值越大，说明分类效果越好；卡帕系数KAPPA表示混淆矩阵中不同的权值，值越大，说明分类效果越好；步骤5：向训练后的生成对抗网络模型中输入待分类高光谱遥感图像，获得分类结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于空谱胶囊生成对抗网络的遥感图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD