CNN和三维Gabor滤波器的高光谱图像分类

发布时间：2021-02-20 01:04

　　卷积神经网络（CNN）具有强大的特征提取能力,能够有效地提高高光谱图像的分类精度.然而CNN模型训练需要大量的训练样本参与,以防止过拟合,Gabor滤波器以非监督的方式提取图像的边缘和纹理等空间信息,能够减轻CNN模型对训练样本的依赖度及特征提取的压力.为了充分利用CNN和Gabor滤波器的优势,提出了一种双通道CNN和三维Gabor滤波器相结合的高光谱图像分类方法 Gabor-DC-CNN.首先利用二维卷积神经网络（2D-CNN）模型处理原始高光谱图像数据,提取图像的深层空间特征;同时利用一维卷积神经网络（1D-CNN）模型处理三维Gabor特征数据,进一步提取图像的深层光谱-纹理特征.连接2个CNN模型的全连接层实现特征融合,并将融合特征输入到分类层中完成分类.实验结果表明,该方法能够有效地提高分类精度,在Indian Pines,Pavia University和Kennedy Space Center 3组数据上分别达到98.95%, 99.56%和99.67%. 

【文章来源】：计算机辅助设计与图形学学报. 2020,32(01)北大核心

【文章页数】：9 页

【部分图文】：

二维卷积滤波原理示意图

94计算机辅助设计与图形学学报第32卷图4CNN和三维Gabor特征相结合的分类示意图表1实验数据信息数据名称获取地点获取成像光谱仪图像大小/像素波长/μm波段数空间分辨率/mIndianPines美国印第安纳州西北部某林区AVIRIS145×1450.40~2.5020020.0PaviaUniversity意大利帕维亚大学ROSIS610×3400.43~0.861031.3KennedySpaceCenter佛罗里达州肯尼迪航天中心附近AVIRIS512×6140.40~2.5017618.0表2IndianPines数据样本数量类别训练样本测试样本Corn-notill2001228Corn-mintill200630Grass-pasture200283Grass-trees200530Hay-windowed200278Soybean-notill200772Soybean-mintill2002255Soybean-clean200393Woods2001065总和18007434表3PaviaUniversity数据样本数量类别训练样本测试样本Asphalt2006431Meadows20018449Gravel2001899Trees2002864Sheets2001145BareSoil2004829Bitumen2001130Bricks2003482Shadows200747总和180040976表4KennedySpaceCenter数据样本数量类别训练样本测试样本Scrub50711Willow50193CPHammock50206CP/Oak50202SlashPine50111Oak/Broadleaf50179HardwoodSwamp5055GraminoidMarsh50381SpartinaMarsh50470CattailMarsh50354SaltMarsh50369MudFlats50453Water50877总和6504561物,在实验中剔除真实样本较少的地物类别,共保留9类地物.实验之前,实验数据均归一化到0~1.3.2实验结果与分析3.2.1参数选择(1)三维Gabor滤波器参数为了提取多种类型的纹理特征,采用了多个方向多个中心频率的三维Gabor滤波器组,滤波器组共包含13个方向,设置中心频率={1/2,1/4}


本文编号：3041979