论文部分内容阅读
高光谱遥感相比传统遥感技术具有波段多、分辨率高、数据量大、信息冗余增加等新特点,其标志性特征是图谱合一。近年来高光谱遥感受到国内外科技工作者的高度重视。高光谱遥感图像分类作为获取地物信息的重要途径之一,成为了遥感领域研究的热点。本文以高光谱遥感图像分类为目标,针对高光谱遥感图像带标记样本少、人工标记成本高、传统神经网络分类法容易因训练样本不足而出现过拟合、分类精度不高等问题,提出了一种基于辅助分类器生成对抗网络的高光谱遥感图像分类法(HS-ACGAN)。利用生成对抗网络的优势在训练过程中减少对标记样本的需求,同时学习到地物的光谱特征,并对样本的所属类别做出预测。同时研究了该分类模型中训练样本率和块大小对分类精度的影响。针对高光谱图像易受噪声干扰,光谱间存在“同物异谱”和“异物同谱”的现象,本文提出利用卷积神经网络对基于辅助分类器生成对抗网络的光谱特征分类法(ACGAN-CNN)。我们将预训练的辅助分类器生成对抗网络中的判别器作为光谱特征提取器,利用卷积神经网络对光谱特征进行分类。实验表明,该方法可以降低误分,提升分类精度。针对现有的基于生成对抗网络的高光谱遥感图像分类方法较少,且大多只利用了数据的光谱信息而忽略了数据的空间信息的问题,本文提出了基于ACGAN的高光谱遥感图像光谱-空间纹理特征提取及分类法(ACGAN-LBP-CNN)。首先,用已训练的ACGAN模型对样本提取光谱特征。然后,计算高光谱遥感图像每个波段的信息熵进行波段选择,避免冗余并减少计算量。第三,采用旋转不变的LBP算子对被选波段提取纹理特征。将获得的纹理特征向量与光谱特征向量拼接融合,最后使用卷积神经网络对融合特征向量进行训练和分类。我们在Indian Pines和Pavia University两个数据集上进行实验并与其他分类方法进行对比,实验表明本文提出的方法所需的训练样本数较少,分类精度更高;融入空间纹理特征改善了使用单一特征造成的误分,减少分类结果中的噪点,提升了分类精度。