摘要
随着遥感技术的发展，影像空间分辨率逐渐提升，传统的分类方法已经无法满足现在高空间分辨率遥感影像的分类需求，而深度学习可自动学习影像中的复杂的光谱和空间信息，相比于传统分类方法分类精度得到很大提升，但是该方法需要大量的训练样本，而制作遥感影像标签样本费时费力，训练样本不足的问题严重制约了遥感影像分类精度的提升。针对这一问题，本文对高空间分辨率遥感影像的扩增方法进行深入研究，旨在提高遥感影像的生成质量和清晰度，从而增加遥感影像的多样性，解决遥感影像深度学习中训练样本不足的问题，进一步提升分类精度。本文的主要研究工作与成果如下： （1）高空间分辨率遥感影像生成方法研究。基于边缘特征提取原理，将类间边界特征和类内边缘特征引入条件生成对抗网络中，并构建兼顾多尺度多特征学习的条件生成对抗网络（CGAN）损失函数，提出了一种端对端基于边缘特征提取的条件生成对抗网络（ECGAN）。在此基础上，使用Potsdam和Vaihingen两个高空间分辨率遥感影像数据集，设计了GAN-test和GAN-train两种评价策略对不同条件变量以及不同损失函数下生成对抗网络生成的遥感影像进行影像质量评价与分析。实验结果表明，两个数据集下，本文提出的ECGAN网络在高空间分辨率遥感影像生成方面均表现优异，以Potsdam数据集为例，加入边缘特征条件变量相比于未加入边缘特征条件变量，网络生成影像的GAN-test分数的三个指标分别高出0.162，0.192，0.132。兼顾多尺度多特征损失相比于单一尺度特征损失函数，网络生成影像的GAN-test分数中的三个指标分别高出0.016，0.025和0.063。证明该网络的生成器与判别器能够更容易地自动学习影像局部的光谱与空间特征信息，且最小化了生成影像特征与真实影像特征的差异，进一步提升遥感影像的生成质量。 （2）有限样本高空间分辨率遥感影像分类方法研究。基于ECGAN设计两种方案来解决遥感影像分类中训练样本不足的问题：1）使用ECGAN模型直接进行高空间分辨率遥感影像分类，将模型中的生成器当作分类器，在输入原始影像的同时输入边界特征进行对抗训练，相比于传统扩充方法下的Deeplabv3网络，该方法分类结果的总体像素精度(OA)高出4.3%，平均交并比(MIOU)高出5.7%。2）在ECGAN模型结合传统扩充手段的高空间分辨率遥感影像扩增的基础上，基于Deeplabv3网络进行高空间分辨率遥感影像语义分割。相比于传统扩充方法下的Deeplabv3网络，该方法分类结果的OA高出6.5%，MIOU高出9.0%。结果分析表明，基于ECGAN的扩增的语义分割方法，分类精度更高，为小样本高空间分辨率遥感影像的高精度分类提供方法支持。
NETL