1.一种高光谱遥感图像地物空间波谱特征提取方法,其特征在于,所述高光谱遥感图像地物空间波谱特征提取方法为:利用辅助分类器生成式对抗网络模型提取高光谱遥感图像地物波谱特征;用信息熵最高的若干波段计算LBP纹理特征;拼接地物波谱和空间纹理特征形成地物空间波谱特征;选用CNN分类器对地物空间波谱特征进行高光谱遥感图像分类。
2.如权利要求1所述的高光谱遥感图像地物空间波谱特征提取方法,其特征在于,所述高光谱遥感图像地物空间波谱特征提取方法具体包括:
1)对高光谱数据集进行归一化处理,从高光谱遥感图像数据集中,抽取5%的地物样本作为训练集,将带有地物类别标签的训练样本送入ACGAN,并在ACGAN中训练,让ACGAN网络中的生成器和判别器都学习到样本的光谱特征;
2)ACGAN网络训练完后将高光谱遥感图像数据集所有样本的光谱信息输入到ACGAN网络的判别器中,提取出光谱信息经判别器计算后第五层的输出数据,维数大小为M,作为样本的波谱特征;
3)在空间维上计算每个波段的所含信息量的大小的信息熵,选取出信息熵最大的N个波段,进行数据集降维;
4)在选择出的N个波段上,对每个波段使用具有旋转不变的LBP算子计算每个像素点的LBP特征值,获得N个包含纹理信息的LBP特征图,对每个样本均获得大小为N的纹理特征;
5)将得到的M维的光谱特征与N维的纹理特征进行拼接,将获得的(M+N)维的光谱-纹理融合特征向量作为地物空间波谱特征,有效表达了原始样本信息。
6)抽取5%的样本训练集,剩下的95%的样本作为测试集,将训练样本用前面1)到5)提取的地物空间波谱特征输入到包含三个卷积层和两个全连接层的CNN(Convolutional Neural Network)中;最后使用softmax分类器进行地物类别预测,根据训练样本的真实类别标签,对所述CNN进行训练;将测试集中的样本输入到训练好的CNN中,预测测试集中的样本相应的类别,对照其真实的地物类别标签,得到测试集的地物分类准确率。
3.如权利要求2所述的高光谱遥感图像地物空间波谱特征提取方法,其特征在于,所述步骤1)具体包括:a)、ACGAN模型包含一个生成器和一个判别器,生成器和判别器均为卷积神经网络,生成器接收随机噪声向量和类别标签作为输入,以Indian Pines数据集为例,生成器第一层为全连接层,包含100个单元,输出向量大小变为100,第二层为全连接层,包含1024个单元,输出向量大小变为1024,第三层为全连接层,包含3040个单元,输出向量大小变为3040,将该向量重构为(190*1*16),第四层为反卷积层,16个卷积核,每个卷积核大小为6*1,输出数据为16*195*1,最后一层为反卷积层,1个卷积核,每个卷积核大小为6*1,输出数据大小为
200*1*1,生成器生成了与真实样本光谱相同大小的伪样本光谱;
判别器接收样本光谱数据作为输入,样本大小为200*1*1,判别器第一层为卷积层,32个卷积核,每个卷积核大小为11*1,输出数据大小为200*1*1;
第二层为卷积层,64个卷积核,每个卷积核大小为11*1,输出数据大小为200*1*1;
第三层为卷积层,128个卷积核,每个卷积核大小为11*1,输出数据大小为200*1*1;
第四层为全连接层,包含1024个单元,输出数据大小为1024;
第五层为全连接层,包含128个单元,输出数据大小为128,将第五层的输出分别送入sigmoid分类器和softmax分类器,得到样本的真伪性和预测类别,除第一和最后一层,其他卷积层和全连接层后均添加BatchNormalization层和LeakyReLU层,每个卷积层添加防止过拟合的Dropout层;
ACGAN模型的生成器和判别器同时训练,固定一方训练另一方,ACGAN模型采用Adam方法进行梯度更新;
b)样本光谱特征的提取,将数据集的所有样本的光谱信息送入训练好的ACGAN模型的判别器中,将判别器中间层的数据作为原始光谱信息的有效表达,提取判别器第五层的输出,将该大小为M的数据作为样本原始光谱信息的有效表达。
4.如权利要求2所述的高光谱遥感图像地物空间波谱特征提取方法,其特征在于,所述步骤4)具体包括:空间纹理特征的提取,对数据集包含的所有波段求信息熵,选取出信息熵最大的N个波段,在该N个波段所在图像上提取具有旋转不变性的LBP纹理特征,即数据集中每个像素点所在的样本获得一个大小为N的纹理特征。
5.如权利要求2所述的高光谱遥感图像地物空间波谱特征提取方法,其特征在于,所述步骤5)具体包括:所述将得到的M维的光谱特征与N维的纹理特征进行拼接,包括:将每个样本获得的大小为M的光谱特征和大小为N的纹理特征进行拼接,获得大小为(M+N)的地物空间波谱特征。
6.一种实现权利要求1~5任意一项所述高光谱遥感图像地物空间波谱特征提取方法的计算机程序。
7.一种实现权利要求1~5任意一项所述高光谱遥感图像地物空间波谱特征提取方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的高光谱遥感图像地物空间波谱特征提取方法。
9.一种如权利要求1所述的高光谱遥感图像地物空间波谱特征提取方法的高光谱遥感图像地物空间波谱特征提取系统,其特征在于,所述高光谱遥感图像地物空间波谱特征提取系统包括:判别器单元,用于对高光谱数据集进行归一化处理,从高光谱遥感图像数据集中,抽取
5%的地物样本作为训练集,将训练样本及训练样本的标签送入辅助分类器生成对抗网络ACGAN,并在对抗网络ACGAN中训练,让ACGAN网络中的生成器和判别器都学习到样本的光谱特征;
空间波谱特征提取单元,与判别器单元连接,用于ACGAN网络训练完后将高光谱遥感图像数据集所有样本的光谱信息输入到ACGAN网络的判别器单元中,提取出光谱信息经判别器单元计算后第五层的输出数据,大小为M,作为样本的波谱特征;
在空间维上计算每个波段的所含信息量的大小的信息熵,选取出信息熵最大的N个波段,将数据集进行降维;
纹理特征提取单元,与空间波谱特征提取单元连接,用于在选择出的N个波段上,对每个波段使用具有旋转不变的LBP算子计算每个像素点的LBP特征值,获得N个包含纹理信息的LBP特征图,对每个样本均获得大小为N的纹理特征;
将得到的M维的光谱特征与N维的纹理特征进行拼接,将获得的(M+N)维的光谱-纹理融合特征向量作为原始样本信息的有效表达,这也就是地物空间波谱特征;
CNN单元,与空间波谱特征提取单元连接,抽取5%的样本训练集,剩下的95%的样本作为测试集,将训练样本的融合特征向量输入到包含三个卷积层和两个全连接层的CNN(Convolutional Neural Network)中;最后使用softmax分类器进行地物类别预测,对比训练样本的真实类别标签,对所述CNN进行训练;
类别预测单元,与CNN单元连接,用于将测试集中的样本输入到训练好的CNN中,得到所述测试集中的样本相应的类别预测,对照真实的地物类别标签,得到测试集的地物分类准确率。
10.一种搭载有权利要求9所述高光谱遥感图像地物空间波谱特征提取系统的信息数据处理终端。