摘要
随着科技的进步，遥感图像场景的应用需求逐渐增大。遥感图像场景分类作为一种基础图像处理手段，有着十分重要的应用价值，已被广泛应用于自然灾害检测、资源勘测、土地资源利用、城市管理等领域。先前，人们已经提出各种方法来对遥感图像场景进行分类，但是这些方法大多基于人工分类，不仅需要大量专业人才，而且分类过程耗时耗力。现今，深度学习在机器学习和模式识别等领域吸引了广大科研人员的关注，越来越多的学者将深度学习应用于遥感图像场景分类从而获得更好的分类效果。但是现存的遥感图像数据集较小，有标签的数据量少，并且图像本身存在高类内差以及低类间差的特点，导致特征提取存在困难，不能获得更高的分类精度。因此，有效解决遥感标签样本不足以及提高遥感图像分类精度的问题是本研究的主要课题。 生成对抗网络(GenerativeAdversarialNetwork，GAN)作为近年来复杂分布上无监督学习最具前景的深度学习方法之一，将其引入遥感图像场景分类领域是一个新的思路。在标注样本有限的情况下，利用GAN模型可以生成大量的无标签样本，然后结合有标签样本和生成样本同时训练分类器就可以得到一个优秀的半监督网络架构。因此，本文以GAN理论为基础。针对遥感场景分类提出更具泛化能力的半监督模型，提高分类精度。本文的研究主要包括以下内容: (1)为了弥补有监督分类需要大量有标签样本以及无监督分类精度不高的问题，首先将深度生成对抗网络(DeepConvolutionGenerationAdversationNetwork，DCGAN)的判别器由二分类器改为多分类器，改进后的模型称为cDCGAN。然后基于自训练与协同训练的优势，结合cDCGAN和深度卷积分类器(VggNet-16)设计了一个基于遥感图像的半监督分类模型(ClassificationbasedonSemi-SupervisedLearning，CSSL)。用多训练的方式对标记样本和未标记样本进行半监督分类。这样生成了大量的无标签遥感数据集并充分利用从而达到提高分类精度的效果，解决了有监督分类需要用到大量有标签数据的问题。 (2)针对CSSL模型中cDCGAN生成部分图像质量较差，影响分类精度的问题。本文分析其原因并提出使用Selu激活函数和批归一化对cDCGAN的生成器进行改进。改进模型可以保留更多的图像信息，因此可以提取到更多的图像特征，使生成图像更接近真实样本，并且进一步提高了遥感图像分类精度。 为了客观评价本文提出的半监督分类方法(CSSL)和进一步改进模型的优越性。本文分别在NWPU-RESISC45数据集与UC-Merced数据集上对其进行验证。实验结果表明，本文提出的CSSL模型可以生成无标记的遥感图像，解决了原始数据集的不足，而且获得了较好的分类精度。基于CSSL改进的模型进一步提高了生成图像的质量和分类精度。
NETL