基于多尺度卷积神经网络的高光谱图像分类算法

发布时间：2024-04-06 20:29

　　为了提高高光谱图像的分类精度,提出了一种基于多尺度卷积神经网络的高光谱图像分类算法。首先,利用等距特征映射算法处理高光谱数据,以挖掘数据的非线性特性,保持数据点的内在几何性质;然后,构建以标记像元为中心的训练图像块,训练多尺度卷积神经网络;最后,利用softmax分类器预测测试像元的标签。提出的方法在Indian Pines、University of Pavia和Salinas scene高光谱遥感数据集上进行分类实验,并与CNN、R-PCA CNN、CNN-PPF、CD-CNN等算法进行性能比较。实验结果表明,在3个数据集上提出的方法的总体识别精度分别达到98.51%、98.64%和99.39%,与CNN算法相比分别提高了约8.35%、6.37%和7.81%。本文提出的方法无论是在分类精度还是Kappa系数上都优于另外4种方法,是一种较好的高光谱遥感数据分类方法。

【文章页数】：8 页

【部分图文】：

图1多尺度卷积神经网络结构图

算法的基本思想是：假设高维空间的数据分布在一个低维嵌入的流形结构中，那么数据间在邻域关系图中的最短距离就可以近似表示数据所含的几何特性。算法的具体步骤如下：

图2残差示意图Fig.2Residualmap

考虑到不同的层可能具有不同数量的特征图，本文使用尺寸匹配函数来确保它们在特征融合之前具有相同的光谱维度。假设F1、F2、F3分别代表C1层、C2层、C3层网络的输出，并且它们分别具有8、16、32个特征映射。为了让其具有相同的特征映射数量，我们用大小为1×1的32个内核来做卷积运....

图3IndianPines数据集分类效果

IndianPines图像的截取尺寸大小为145×145，共有16种地物，通常用去除坏波段和水体吸收波段后剩余的200个波段作为研究对象。IndiansPines数据集具有植被多、分布复杂且数据集不平衡、易产生混合像元等特点。表1和图3分别反映了在IndianPines数据....

图4UniversityofPavia数据集分类效果

UniversityofPavia图像的截取尺寸大小为610×340，共有9种地物。表2和图4分别反映了在UniversityofPavia数据集上实验的分类结果。如表2所示，本文算法在UniversityofPavia数据集上的OA比其余4种算法高约1.91%～6.....

本文编号：3947117