一种基于多分类器的小样本高光谱图像语义分割方法及系统

文档序号:33733063发布日期:2023-04-06 05:00阅读:219来源:国知局
一种基于多分类器的小样本高光谱图像语义分割方法及系统

本发明属于遥感图像处理,用于小样本遥感图像的分类,具体涉及一种基于多分类器的小样本高光谱图像语义分割方法。


背景技术:

1、高光谱遥感图像是利用成像光谱仪在连续的数十个甚至上百个光谱通道获取到的地物辐射信息,其具有较高的光谱分辨率,能够获取地球表面丰富的光谱、辐射和空间信息。在地质、环境、农业、水文、军事、大气等方面有着巨大的应用前景。随着我国资源卫星探测技术的不断发展,获取高光谱遥感图像数据已经不像从前那样困难,但具有充足标签样本的高光谱遥感图像数据依然珍贵,如何解决使用较少标签数据、实现较高精度的高光谱遥感图像分类精问题具有重要研究意义。

2、近年来随着计算机科学技术的不断发展,深度学习在机器学习领域取得了重大的进展,深度学习的高光谱图像分类研究越来越多了,相比较于普通机器学习需要手动设计特征而言,它可以自动地提取数据中的特征,因此许多研究者提出了基于深度学习的高光谱图像分类算法,卷积神经网络(convolutional neural network,cnn)是当前应用在高光谱图像分类中最广泛的方法,cnn网络要求输入数据都是带标签数据的像素块,只针对一个个包含样本点及其周围像素的小图像块进行特征提取与知识学习,得到一个分类标签作为中心像素点的类别标签。但由于数据集中的样本量过少,可学习的知识不能够代表整体数据分布,会导致cnn网络偏向性的过拟合小样本数据,整体图像分类性能较差;同时逐像素点切割小图像块进行分类得到的是图像级标签,除了中心像素外的周围像素会被重复分类,增大了系统开销;并且切割后的小图像块大小受限,无法对高光谱图像内较大的上下文信息建模。

3、针对以上问题,使用全卷积网络进行高光谱图像分类是一种有效的解决办法。基于全卷积网络的语义分割算法是对图像中的每个像素进行预测分类,高光谱图像分类也是像素级分类,因此,使用全卷积网络语义分割算法实现高光谱图像分类具有可行性。全卷积网络不限制输入数据与输出数据的形状大小,不要求输入数据必须都是带标签数据,网络感受野不受限制于图像块大小;网络的输入输出都是逐像素一一对应的;切分的图像块可以包含多个样本点及大量的无标签数据。在小样本情况下,带标签数据对网络的贡献有限,图像中大量的无标签数据包含的特征信息有待利用。而得益于全卷积深度网络(fcn)的强大特征表达能力,很多语义分割方法都能够实现较好的高分辨率遥感图像的分割,但这些方法不适用高光谱图像,大量堆叠的多层卷积层在高光谱图像数据量较少的情况下,更容易造成过拟合现象,网络中较多的池化层会导致图像的边缘分类粗糙,分类错误。目前应用在高光谱图像上的语义分割网络都没有考虑高光谱图像稀疏标签的特点,受制于少量标签无法表示整体数据分布,影响了图像的分割效果。


技术实现思路

1、针对现有技术的以上存在的问题或改进算法,本发明提供了一种基于多分类器的小样本高光谱遥感图像语义分割方法及系统,其目的在于解决现有语义分割算法对小样本高光谱图像分类效果差的问题。

2、为了实现上述目的,按照本发明提供的一种基于多分类器的小样本高光谱遥感图像语义分割方法,包括以下步骤:

3、s1构建小样本高光谱图像语义分割网络,该网络包括基础特征提取模块、多分类器模块以及损失函数;

4、所述基础特征提取模块,用于对输入的高光谱图像进行基础特征提取,输出得到图像的基础特征,基础特征提取模块包括四层,每一层都由一个3×3卷积层,一个bn层和一个relu层组成,仅在第二层后加入一层最大池化层用于增加网络的感受野大小,同时避免了过度下采样;

5、所述多分类器模块,包括两个分类器,每个分类器都由1×1的卷积层构成;在基础特征提取模块后,特征输入分类器前通过双线性插值进行上采样操作使得输出特征大小与输入数据块大小相同;

6、所述损失函数包含交叉熵损失函数,对抗损失函数以及流形约束正则化损失函数,总体损失函数表示为:

7、ltotal=lce(xl,yl)+αlmr(xs)-βladv(xu)

8、其中,lce是交叉熵损失函数,lmr是流形约束正则化,ladv是对抗损失函数,xs表示从带标记样本和无标记样本中选取的随机样本点,少量带标记的输入数据xl,数据的标记信息yl,大量未标记样本xu;

9、s2将无人机或者卫星拍摄到的小样本高光谱遥感图像作为训练集,对语义分割网络迭代训练,可以得到语义分割模型;

10、s3预先设定对应的类别数,将待检测的高光谱遥感图像输入到训练好的语义分割模型中,可以得到待分类高光谱遥感图像中每个像素点所属的类别。

11、进一步地,所述基础特征提取模块将特征图下采样到1/2。

12、进一步地,对抗损失函数定义为:

13、

14、

15、其中,p1和p2分别表示gc1和gc2的预测结果,p1c和p2c表示样本属于第c类的概率,s表示softmax层;

16、流形约束正则化约束函数表示为:

17、

18、其中,w表示图邻接矩阵,l=d-w表示图拉普拉斯矩阵,d表示对角度矩阵,xs为输入图像块中选中的样本,n表示选中的样本数,tr表示取秩,邻接矩阵w定义为:

19、

20、其中,σ为热核参数,对于每个像素xi,利用欧式距离选择近邻xj,wij表示它们之间的相似性,最小化流形约束正则化损失函数,约束pi和pj也是相似的。

21、更进一步地,语义分割网络训练步骤包括:

22、①最小化交叉熵损失函数和流形约束损失,训练目标是两个分类器都能对带标记样本进行正确的分类,并且对标记数据和未标记数据的预测都服从流形约束,目标函数为:

23、

24、②最大化对抗损失函数,固定基础特征提取模块的网络参数,训练两个分类器的差异性,同时它们能够对标记数据进行正确分类并满足流形约束,目标函数为:

25、

26、③最小化对抗损失函数,固定两个分类器的参数,训练基础特征提取模块使预测差异最小,目标函数为:

27、

28、最小化预测差异相当于最大化预测一致性,由于对抗学习要求初始分类器能够正确的对标记样本分类,因此在前20个epochs对网络进行步骤①的训练,然后再重复迭代训练三个步骤,直至网络收敛;

29、最后将两个分类器输出的两个分类特征经过softmax函数计算后得到分类概率矩阵为h×w×c,对类别数维度进行平均取值得到每个像素点对应类别的分类概率,取概率最大值作为该像素点所属类别作为本系统最终的判定类别。

30、基于同一发明构思,本发明还设计了一种电子设备,其特征在于,包括:

31、一个或多个处理器;

32、存储装置,用于存储一个或多个程序;

33、当一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现所述的一种基于多分类器的小样本高光谱遥感图像语义分割方法。

34、基于同一发明构思,本发明还设计了一种计算机可读介质,其上存储有计算机程序,其特征在于:所述程序被处理器执行时实现所述的一种基于多分类器的小样本高光谱遥感图像语义分割方法。

35、总体而言,通过本发明所构思的以上技术方案和现有的方案相比,能够取得以下效果。

36、本发明中的基础特征提取模块,能够有效的利用高光谱图像的类别通道信息,建立带标记点与上下文之间的关系特征,增强整体类别对特征的表达能力,相对有效的区分部分特征所属的类别,提高小样本高光谱图像语义分割的整体精度;

37、本发明中的多分类器模块,能够有效的提取未标记数据的鉴别性特征,通过最大化最小化对抗损失保证分类器多样性以及对未标记数据的预测一致性,提高未标记数据的分类正确率,进而提高小样本高光谱图像语义分割的整体精度;

38、本发明中的流形约束正则化,能够明确约束未标记样本数据之间的分类的平滑性,进一步利用未标记数据,提高小样本高光谱图像语义分割的整体精度。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1