基于半监督学习的多标签遥感图像分类方法

摘要

【目的】遥感图像作为观测地球的重要工具，被广泛应用于环境监测、资源勘探、灾害预警等多个领域。然而，遥感图像在采集过程中容易受到传感器噪声、大气干扰等因素的影响，导致图像质量下降，细节信息模糊，给后续的图像分析和目标分类带来了巨大挑战。在多标签遥感图像分类任务中，由于图像中往往包含多个类别的目标，且这些目标之间可能存在复杂的关联和依赖关系，传统的监督学习方法在处理这类问题时显得力不从心，分类误差较大。【方法】为有效应对遥感图像噪声影响、准确捕捉图像特征、提高分类精度，提出一种半监督学习的多标签遥感图像分类方法。利用感知损失函数对遥感图像进行预处理，通过查找图像中存在细节丢失和模糊的像素点位置，计算原始图像和缺陷图像的信噪比残差值，确定遥感图像质量下降程度。设计了一种基于残差映射的图像去噪算法，按照残差映射值调整含噪位置的频谱值，通过调节像素的高低频关系提高信噪比，恢复图像中的细节信息。采用半监督学习方法对图像分类器进行更新改进，提高遥感图像的处理效率和分类准确性，以此实现多标签遥感图像的分类。【结果】为了验证方法的有效性，在不同分辨率、不同主成分数情况下进行了图像分类实验，同时，设计了针对不同类型遥感图像的分类实验。测试结果表明，方法在去噪效果和图像细节还原方面表现出色，能够清晰地区分每个区域的色块，恢复了图像中的关键细节信息。在地貌特征提取方面，结果与实际地貌分布的吻合度较高，误差较小，证明了其在遥感图像特征提取方面的优势。在图像分类精度方面，方法在图像分辨率为70像素×80像素、主成分数为12时，分类精度达到0.88,表现出了较高的分类精度。同时，在对不同类型的遥感图像进行分类时，方法的分类精度也保持在0.9以上，最高达到0.98,充分验证了其广泛的适用性和高分类精度。【结论】实验结果表明，方法利用结合感知损失函数、残差映射的图像去噪算法和半监督学习方法，实现了多标签遥感图像分类。不仅提高了遥感图像的处理效率和分类精度，还为遥感图像处理领域提供了新的思路和技术支持，具有较高的理论意义和实际应用价值。

关键词

图像去噪 / 感知损失函数 / 信噪比 / 残差映射 / 半监督学习 / 图像分类器 / 多标签遥感图像 / 特征提取