基于协同训练半监督学习的遥感影像水体提取方法及系统的制作方法
【技术领域】
[0001] 本发明设及水体遥感技术领域，特别设及一种基于协同训练半监督学习的遥感影 像水体提取方法及系统。
【背景技术】
[0002] 传统的遥感影像水体提取方法包括水体指数法、谱间关系法，另外在影像空间分 辨率较高而波段数目较少的情况下常常使用影像分类法。目前遥感影像水体提取研究中多 采用的是监督分类方法，例如最大似然法、支持向量机、神经网络法等等，采取运些方法进 行水体提取的基本步骤是：
[0003] (1)提取影像每个像元的特征（W光谱特征和纹理特征为主）组成特征向量；
[0004] 似选取一些训练样本（标注为水体或非水体），并采用某种监督学习方法对训练 样本集进行学习，学习目的是达到最小化经验风险或结构风险，最终得到一个决策函数或 规则； 阳0化](3)采取上述决策函数或规则对影像中所有的未知类别的像元进行分类，判断为 水体或非水体，W达到水体提取的目的。
[0006] 当影像中背景地物比较复杂的时候，由于同物异谱和同谱异物现象的存在，导致 采取传统监督分类法时往往难W获取代表性足够好的训练样本，从而影响到水体提取的精 度。那么，为了提高水体提取的精度，就必须获取足够多甚至是无限多的训练样本，而且训 练样本的数量自然是越多越好，因此获取大量的训练样本就成为了最重要的条件。但是人 工标注的样本毕竟是有限的，而且标注训练样本的操作复杂度是很高的，因此获取大量标 注的样本是不现实的，必须寻求其他途径。
【发明内容】
[0007] 【要解决的技术问题】
[0008] 本发明的目的是提供一种基于协同训练半监督学习的遥感影像水体提取方法，W 解决目前采用监督分类方法进行遥感影像水体提取时，由于人工选择的样本数量不足导致 水体提取精度较差的问题。
[0009] 【技术方案】
[0010] 本发明是通过W下技术方案实现的。
[0011] 本发明首先设及一种基于协同训练半监督学习的遥感影像水体提取方法，包括步 骤：
[0012]A、提取遥感影像的光谱特征和纹理特征，所述光谱特征至少包括遥感影像各波段 数据X、水体指数NDWI和植被指数NDVI，所述纹理特征至少包括遥感影像的灰度共生矩阵 的角二阶矩ASM、该灰度共生矩阵的均匀性H0M、该灰度共生矩阵的赌ENT和遥感影像分形 纹理模型的分形维数抑，其中X=巧1，B2,...，BjT，n为波段数，Bi为波段i影像的灰度值， 1 <i<η;
[0013] B、根据步骤A中提取到的遥感影像的光谱特征和纹理特征构建如下式所示的双 视图：
[0014]
Vi、V2分别是光谱特征和纹理特征组成的 综合特征向量；
[0015] C、从遥感影像中选择初始训练样本并对初始训练样本进行标注得到标注样本集 合以从遥感影像剩余像元中随机生成未标注样本集合U;
[0016] D、设置最大迭代次数，从未标注样本集合U中随机取出一个样本子集U' ；
[0017]E、使用标注样本集合L的视图Vi训练一个分类器h1，使用标注样本集合L的视图 V2训练一个分类器h2,使用分类器hi对样本子集U'中的数据进行分类并对置信度最高的 P个样本进行标注，使用分类器h,对样本子集U'中的数据进行分类并对置信度最高的P个 样本进行标注；
[0018] F、将步骤E中新标注的样本加入到标注样本集合L中，并随机从未标注样本集合 U中选择化个未标注样本补充到样本子集U'中；
[0019] G、判断迭代次数是否达到最大迭代次数W及未标注样本集合U是否为空，如果迭 代次数达到最大迭代次数或未标注样本集合U为空，则保存分类器hi和分类器h2并执行下 一步骤，反之则返回步骤E进行下一次迭代；
[0020] H、使用步骤G得到的分类器hi和分类器h2对遥感影像进行分类，提取遥感影像的 水体信息。
[0021] 作为一种优选的实施方式，所述步骤Η具体包括：
[0022] 读取遥感影像，提取每一像元的特征向量；
[0023] 用分类器hi对像元的视图Vi进行分类，得到置信度曰1;
[0024] 使用分类器h2对像元的视图V2进行分类，得到置信度曰2;
[00巧]若α1〉α2,则该像元为分类器hi预测的类别，反之，则该像元为分类器h2预测的 类别。
[00%] 作为另一种优选的实施方式，所述水体指数
其中Green、 NIR分别是绿光波段、近红外波段的反射率。
[0027] 作为另一种优选的实施方式，所述水体指数
其中RecUNIR分 别是红光波段、近红外波段的反射率。
[0028] 作为另一种优选的实施方式，所述步骤C中标注样本集合L的样本数量与未标注 样本集合U的样本数量的比例为1:20~1:10。
[0029] 本发明还设及一种基于协同训练半监督学习的遥感影像水体提取系统，包括遥感 影像特征提取模块、双视图构建模块、分类器训练模块和分类模块，所述分类器训练模块包 括初始化模块、样本标注模块、样本集合更新模块和迭代控制模块，
[0030]所述遥感影像特征提取模块被配置成提取遥感影像的光谱特征和纹理特征，所述 光谱特征至少包括遥感影像各波段数据X、水体指数NDWI和植被指数NDVI，所述纹理特征 至少包括遥感影像的灰度共生矩阵的角二阶矩ASM、该灰度共生矩阵的均匀性H0M、该灰度 共生矩阵的赌ENT和遥感影像分形纹理模型的分形维数抑，其中X=怔1，Bz，. . .，BJT，η为 波段数，Bi为波段i影像的灰度值，1《i《η;
[0031] 所述双视图构建模块被配置成根据遥感影像特征提取模块提取到的遥感影像的 光谱特征和纹理特征构建如下式所示的双视图：
[0032]
Vi、V2分别是光谱特征和纹理特征组成的 综合特征向量；
[0033] 所述初始化模块被配置成：从遥感影像中选择初始训练样本并对初始训练样本进 行标注得到标注样本集合以从遥感影像剩余像元中随机生成未标注样本集合U，设置最大 迭代次数，从未标注样本集合U中随机取出一个样本子集U' ；
[0034] 所述样本标注模块被配置成：使用标注样本集合L的视图Vi训练一个分类器h1， 使用标注样本集合L的视图V2训练一个分类器h2,使用分类器hi对样本子集U'中的数据 进行分类并对置信度最高的P个样本进行标注，使用分类器h2对样本子集U'中的数据进 行分类并对置信度最高的P个样本进行标注；
[0035] 所述样本集合更新模块被配置成：将样本标注模块中新标注的样本加入到标注样 本集合L中，并随机从未标注样本集合U中选择化个未标注样本补充到样本子集U'中；
[0036] 所述迭代控制模块被配置成：判断迭代次数是否达到最大迭代次数或未标注样本 集合U是否为空，如果迭代次数达到最大迭代次数或未标注样本集合U为空，则保存分类器 hi和分类器h2并将分类器h1和分类器h2发送至分类模块，反之则返回样本标注模块进行 下一次迭代；
[0037] 所述分类模块被配置成：使用得到的分类器hi和分类器h2对遥感影像进行分类， 提取遥感影像的水体信息。
[0038] 作为一种优选的实施方式，所述分类模块包括：
[0039] 遥感影像读取模块，其被配置成：读取遥感影像，提取每一像元的特征向量； W40] 第一分类子模块，其被配置成：使用分类器hi对像元的视图Vi进行分类，得到置信 度α1;
[0041] 第二分类子模块，其被配置成：使用分类器h2对像元的视图V2进行分类，得到置信 度α2;
[0042] 类别判断模块，其被配置成：若α1〉α2,则该像元为分类器hi预测的类别，反之， 则该像元为分类器h2预测的类别。
[0043] 作为另一种优选的实施方式，所述水体指i
其中Green、 NIR分别是绿光波段、近红外波段的反射率。 W44] 作为另一种优选的实施方式，所述植被指数
，其中RetNIR分 别是红光波段、近红外波段的反射率。
[0045] 作为另一种优选的实施方式，所述初始化模块中标注