樣本集合L的樣本數(shù)量與未 標注樣本集合U的樣本數(shù)量的比例為1:20~1:10。
[0046] 【有益效果】
[0047] 本發(fā)明提出的技術(shù)方案具有W下有益效果：
[0048] 本發(fā)明的技術(shù)方案在構(gòu)建影像特征雙視圖的基礎(chǔ)上，通過協(xié)同訓練方式不斷增加 有標注樣本的數(shù)量，從而獲取到泛化能力都很強的兩個分類器，最后在進行水體像元識別 時W置信度更高的那個分類器的預(yù)測結(jié)果為準，即便是在原始有標注樣本數(shù)量較少的情況 下，由于訓練過程中有標注樣本數(shù)量也是不斷增加的，因此也能夠保證遙感影像水體提取 的精度。因此，本發(fā)明在小樣本情況下依然能夠保證高分辨率遙感影像水體提取的精度，從 而可W降低人工標注訓練樣本的工作量和復(fù)雜度。
【附圖說明】
[0049] 圖1為本發(fā)明的實施例一提供的基于協(xié)同訓練半監(jiān)督學習的遙感影像水體提取 系統(tǒng)的結(jié)構(gòu)框圖。
[0050] 圖2為本發(fā)明的實施例二提供的基于協(xié)同訓練半監(jiān)督學習的遙感影像水體提取 方法的流程圖。
【具體實施方式】
[0051] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將對本發(fā)明的【具體實施方式】 進行清楚、完整的描述。 陽0巧 實施例一
[0053] 圖1為本發(fā)明實施例一提供的基于協(xié)同訓練半監(jiān)督學習的遙感影像水體提取系 統(tǒng)的結(jié)構(gòu)框圖。如圖1所示，該系統(tǒng)包括遙感影像特征提取模塊、雙視圖構(gòu)建模塊、分類器 訓練模塊和分類模塊，分類器訓練模塊包括初始化模塊、樣本標注模塊、樣本集合更新模塊 和迭代控制模塊。
[0054] 遙感影像特征提取模塊被配置成提取遙感影像的光譜特征和紋理特征，光譜特征 包括遙感影像各波段數(shù)據(jù)X、水體指數(shù)NDWI和植被指數(shù)NDVI，紋理特征至少包括遙感影像 的灰度共生矩陣的角二階矩ASM、該灰度共生矩陣的均勻性H0M、該灰度共生矩陣的賭ENT 和遙感影像分形紋理模型的分形維數(shù)抑，其中X=怔1，B2,. . .，BJT，η為波段數(shù)，Bi為波段 i影像的灰度值，1《i《η。水體指數(shù)
其中Green、NIR分別是綠光 波段、近紅外波段的反射率。植被指數(shù)
其中Red、NIR分別是紅光波段、 近紅外波段的反射率。
[0055] 雙視圖構(gòu)建模塊被配置成根據(jù)遙感影像特征提取模塊提取到的遙感影像的光譜 特征和紋理特征構(gòu)建如下式所示的雙視圖：
[0056]
Vi、V2分別是光譜特征和紋理特征組成的 綜合特征向量。作為兩個視圖。Vi中，NDWI為歸一化水體指數(shù)，NDVI為歸一化植被指數(shù)，ASM、H0M和ENT分別是提取得到的灰度共生矩陣的角二階矩、均勻性和賭。V2中，Bi，B2,Bs，B4 是遙感影像4個波段灰度值，抑是提取得到的分形維數(shù)紋理特征。
[0057] 初始化模塊被配置成：從遙感影像中選擇初始訓練樣本并對初始訓練樣本進行 標注得到標注樣本集合以從遙感影像剩余像元中隨機生成未標注樣本集合u，設(shè)置最大 迭代次數(shù)，從未標注樣本集合U中隨機取出一個樣本子集U'。具體地，樣本類別為水體 與非水體二類，標簽為{-1，+1}，標注樣本集合L= 1X1，而，...，Xi}，未標注樣本集合U= (xw，...，XIJ，標注樣本集合L的樣本數(shù)量與未標注樣本集合U的樣本數(shù)量的比例為 1:15,即 1:u= 1:15。
[005引樣本標注模塊被配置成：使用標注樣本集合L的視圖Vi訓練一個分類器h1，使用 標注樣本集合L的視圖V2訓練一個分類器h2,使用分類器hi對樣本子集U'中的數(shù)據(jù)進行 分類并對置信度最高的P個樣本進行標注，使用分類器h2對樣本子集U'中的數(shù)據(jù)進行分 類并對置信度最高的P個樣本進行標注。需要說明，本發(fā)明并不限制P的取值。
[0059] 樣本集合更新模塊被配置成：將樣本標注模塊中新標注的樣本加入到標注樣本集 合L中，并隨機從未標注樣本集合U中選擇化個未標注樣本補充到樣本子集U'中。
[0060] 迭代控制模塊被配置成：判斷迭代次數(shù)是否達到最大迭代次數(shù)或未標注樣本集合 U是否為空，如果迭代次數(shù)達到最大迭代次數(shù)或未標注樣本集合U為空，則保存分類器hi和 分類器h2并將分類器h1和分類器h2發(fā)送至分類模塊，反之則返回樣本標注模塊進行下一 次迭代。
[0061] 分類模塊被配置成：使用得到的分類器hi和分類器h2對遙感影像進行分類，提取 遙感影像的水體信息。具體地，分類模塊包括遙感影像讀取模塊、第一分類子模塊、第二分 類子模塊和類別判斷模塊。
[0062] 遙感影像讀取模塊被配置成：讀取遙感影像，提取每一像元的特征向量；
[0063] 第一分類子模塊被配置成：使用分類器hi對像元的視圖V1進行分類，得到置信度 口1;
[0064] 第二分類子模塊被配置成：使用分類器h2對像元的視圖V2進行分類，得到置信度 口2; 陽〇化]類別判斷模塊被配置成：若α1〉α2,則該像元為分類器hi預(yù)測的類別，反之，則該 像元為分類器h2預(yù)測的類別。
[0066] 實施例二
[0067] 圖2為本發(fā)明實施例二提供的基于協(xié)同訓練半監(jiān)督學習的遙感影像水體提取方 法的流程圖。如圖2所示，該方法包括步驟S1至步驟S7,下面分別對上述步驟進行詳細說 明。
[0068] 步驟S1 :遙感影像特征提取。
[0069] 步驟S1中，提取遙感影像的光譜特征和紋理特征，光譜特征包括遙感影像各波段 數(shù)據(jù)X、水體指數(shù)NDWI和植被指數(shù)NDVI，紋理特征包括遙感影像的灰度共生矩陣的角二階 矩ASM、該灰度共生矩陣的均勻性H0M、該灰度共生矩陣的賭ENT和遙感影像分形紋理模型 的分形維數(shù)抑，其中X=化，B2,. . .，BJT，η為波段數(shù)，Bi為波段i影像的灰度值，1《i《η。 水體指數(shù)
庚中Green、NIR分別是綠光波段、近紅外波段的反射率。植 被指1
其中RetNIR分別是紅光波段、近紅外波段的反射率。
[0070] 步驟S2:雙視圖構(gòu)建。
[0071] 步驟S2中，根據(jù)步驟SI中提取到的遙感影像的光譜特征和紋理特征構(gòu)建如下式 所示的雙視圖：
[0072]
Vi、V2分別是光譜特征和紋理特征組成的 綜合特征向量。作為兩個視圖。Vi中，NDWI為歸一化水體指數(shù)，NDVI為歸一化植被指數(shù)，ASM、H0M和ENT分別是提取得到的灰度共生矩陣的角二階矩、均勻性和賭。V2中，Bi，B2,Bs，B4 是遙感影像4個波段灰度值，抑是提取得到的分形維數(shù)紋理特征。
[0073] 步驟S3 :分類器訓練初始化。
[0074] 步驟S3中，從遙感影像中選擇初始訓練樣本并對初始訓練樣本進行標注得到 標注樣本集合以從遙感影像剩余像元中隨機生成未標注樣本集合U，設(shè)置最大迭代次 數(shù)，從未標注樣本集合U中隨機取出一個樣本子集U'。具體地，樣本類別為水體與非水 體二類，對應(yīng)的標簽為{-1，+1}，標注樣本集合L= (xi，而，...，xj，未標注樣本集合U= (xw，...，XIJ，標注樣本集合L的樣本數(shù)量與未標注樣本集合U的樣本數(shù)量的比例為 1:15,即 1:u= 1:15。 陽07引步驟S4:樣本標注。
[0076]步驟S4中，使用標注樣本集合L的視圖Vi訓練一個分類器h1，使用標注樣本集合L的視圖V2訓練一個分類器h2,使用分類器hi對樣本子集U'中的數(shù)據(jù)進行分類并對置信 度最高的P個樣本進行標注，使用分類器h2對樣本子集U'中的數(shù)據(jù)進行分類并對置信度 最高的P個樣本進行標注。需要說明，本發(fā)明并不限制P的取值。 W77] 步驟S5 :樣本集合更新。
[0078] 步驟S5中，將步驟S4中新標注的樣本加入到標注樣本集合L中，并隨機從未標注 樣本集合U中選擇化個未標注樣本補充到樣本子集U'中。
[0079] 步驟S6:判斷是否滿足迭代終止條件，如果滿足迭代終止條件則保存分類器hi和 分類器h2并執(zhí)行步驟S7,反之則返回步驟S4進行下一次迭代。
[0080] 步驟S6中，判斷迭代次數(shù)是否達到最大迭代次數(shù)W及未標注樣本集合U是否為 空，如果迭代次數(shù)達到最大迭代次數(shù)或未標注樣本集合U為空，則保存分類器hi和分類器 h2并執(zhí)行下一步驟，反之則返回步驟S4進行下一次迭代。
[0081] 步驟S7 :對遙感影像進行分類，提取遙感影像的水體信息。