基于深度学习的高光谱图像分类算法

发布时间：2021-11-16 04:24

　　针对高光谱图像信息冗余、标签样本有限、难以提取光谱和空间信息导致分类困难的问题,提出一种基于深度学习的高光谱图像分类算法。通过生成对抗网络进行数据增强,解决样本受限情况下分类精度不高的问题,也避免训练样本过少导致分类网络出现过拟合;设计高效的三维多通道卷积神经网络以提取高光谱图像的空谱联合信息,并挖掘深层特征实现分类。实验表明:提出的算法能自适应提取高光谱图像的空谱联合特征,具有更高的分类精度,并且具有较强的鲁棒性和网络泛化能力,也充分验证了算法的有效性和可行性。 

【文章来源】：传感器与微系统. 2020,39(07)CSCD

【文章页数】：4 页

【部分图文】：

多通道跨层结构

CNN广泛应用于图像领域并取得优异的性能。对于高光谱图像，3D卷积可以充分提取其光谱和空间信息，并且有效保留图像的原始结构，多通道卷积可以有效地提高CNN的特征提取和学习能力，因此，本文提出基于3D-MC-NN的高光谱分类算法，深入提取和挖掘高光谱图像的空谱特征。基于3D-MCNN的高光谱图像分类模型如图3所示。首先利用主成分分析(principal component analysis,PCA)对高光谱图像进行降维，再进行归一化处理以加速网络收敛，最后将预处理后的高光谱图像输入3D-MCNN进行特征提取和分类识别。

通过GAN数据增强后，有效缓解了高光谱图像样本标签有限的问题。为了选取最适合分类网络的训练样本，分别随机抽取各类地物总数20%,40%,60%,80%的样本进行训练。图4是不同比例的训练样本下3D-MCNN的训练结果。分析图4可知，随着样本比例的增加，分类网络训练精度不断提高，网络能快速收敛并充分拟合训练样本。各类样本比例为80%时，算法训练精度最高，能充分提取地物的空谱特征，因此，每类地物随机选取80%样本作为训练集，剩余样本作为测试集。

【参考文献】：
期刊论文
[1]基于Faster RCNN的行人检测方法[J]. 张汇,杜煜,宁淑荣,张永华,杨硕,杜晨.  传感器与微系统. 2019(02)



本文编号：3498143