论文部分内容阅读
在信息化科学技术的浪潮下,遥感技术的发展也随之不断深入,高光谱遥感图像的多维信息也进一步呈现出更丰富的地理环境细节。在实际油田工业现场中,油气输送管道承载着重要的安全责任。当油气输送管道发生意外时,将威胁到人民的生命财产安全、污染自然生态环境、极大的将此类地区造成损坏,易发生此类安全隐患的区域称之为高后果区。由此可知,对高后果区的严格管控是重中之重。现如今,无人机技术、卫星遥感技术日益成熟,通过此类高精尖仪器可以对油田工业现场油气输送管道周边的遥感图像地物信息进行精准把控、对周边自然环境及居住区等地理信息准确定位。一旦出现安全隐患可以实时把握,进而及时进行补救措施。将高后果区遥感图像进行深入分析,对高后果区地物信息把控以及未来地理规划均有重要作用。因此,对油气管道高后果区的遥感图像进行分类具有实际意义。随着深度学习的快速发展,利用生成对抗网络技术处理图像分类问题提供了全新的研究思路。生成对抗网络不仅有完备的对抗性网络进行校正,解决高维遥感图像分类问题相较于传统算法也有着更好的分类效果。因此,本文主要进行基于生成对抗网络的遥感图像分类方法研究。遥感图像波段数据量大且常规地物特征不易进行区别分类,据此在判别器后引入中高特征层网络进行一重改进:高光谱遥感图像数据量大且波段冗余,常规算法只能进行表层波段提取。引入中高级特征层网络可以进一步获取高维遥感图像数据中的深层次特征信息,提取图像深层次地物信息,进一步提高类间差距;通过引入判别标签机制送至生成器中进行二重改进:在真实概率值输出的同时,对应的标签类别信息也相应得出,以便得到更贴近样本类别的生成样本。将对应类标签送至生成器中,不仅可以规范生成样本质量,更缓解GAN网络不可避免的过拟合问题。因此,主要工作如下:首先,高光谱遥感图像波段巨大且覆盖很多冗余地物信息。为了获取遥感图像有利地物特征信息,引入中高级特征层方式进行一重改进:在GAN的判别器D中引入中高级特征深层网络,可以进一步获取高维遥感图像数据中的深层次特征信息、提取图像深层次地物信息、进一步缓解同类别之间类内距、不同类别之间类间距过大问题。其次,为了规范生成样本质量、缓解网络训练不可避免的过拟合问题。通过引入判别标签机制送至生成器中进行二重改进:在真实概率值输出的同时,对应的标签类别信息也相应得出。生成对应类标签进行辅助分类,对训练迭代过程中的错乱分配也得到很好的缓解。生成器可以更贴合标签的类别去完成生成任务,为后续的特征提取及分类提供很好的帮助。再次,实际工业领域的高光谱遥感图像获取是极为困难的,网络的训练又离不开输入数据的支持。针对高光谱遥感图像的数据量少且冗余问题,利用生成对抗网络的生成能力,将生成样本进行扩充数据集处理,从而解决高光谱遥感图像数据集有限的弊端。丰富了数据集的多样性的同时,对后续网络训练、迭代调参起到了积极作用。最后,采用总体精度OA、平均精度AA、卡帕系数K分类指标进行性能评价,通过与经典图像特诊提取及分类方法进行比较,验证了改进算法的优势所在。对GAN进行双重改进,将其合理应用于实际油气管道高后果区遥感图像中,分析改进算法分类效果。