發(fā)布時(shí)間：2021-11-16 04:24

　　針對(duì)高光譜圖像信息冗余、標(biāo)簽樣本有限、難以提取光譜和空間信息導(dǎo)致分類困難的問題,提出一種基于深度學(xué)習(xí)的高光譜圖像分類算法。通過生成對(duì)抗網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)增強(qiáng),解決樣本受限情況下分類精度不高的問題,也避免訓(xùn)練樣本過少導(dǎo)致分類網(wǎng)絡(luò)出現(xiàn)過擬合;設(shè)計(jì)高效的三維多通道卷積神經(jīng)網(wǎng)絡(luò)以提取高光譜圖像的空譜聯(lián)合信息,并挖掘深層特征實(shí)現(xiàn)分類。實(shí)驗(yàn)表明:提出的算法能自適應(yīng)提取高光譜圖像的空譜聯(lián)合特征,具有更高的分類精度,并且具有較強(qiáng)的魯棒性和網(wǎng)絡(luò)泛化能力,也充分驗(yàn)證了算法的有效性和可行性。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(07)CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

多通道跨層結(jié)構(gòu)

CNN廣泛應(yīng)用于圖像領(lǐng)域并取得優(yōu)異的性能。對(duì)于高光譜圖像，3D卷積可以充分提取其光譜和空間信息，并且有效保留圖像的原始結(jié)構(gòu)，多通道卷積可以有效地提高CNN的特征提取和學(xué)習(xí)能力，因此，本文提出基于3D-MC-NN的高光譜分類算法，深入提取和挖掘高光譜圖像的空譜特征�；�3D-MCNN的高光譜圖像分類模型如圖3所示。首先利用主成分分析(principal component analysis,PCA)對(duì)高光譜圖像進(jìn)行降維，再進(jìn)行歸一化處理以加速網(wǎng)絡(luò)收斂，最后將預(yù)處理后的高光譜圖像輸入3D-MCNN進(jìn)行特征提取和分類識(shí)別。

通過GAN數(shù)據(jù)增強(qiáng)后，有效緩解了高光譜圖像樣本標(biāo)簽有限的問題。為了選取最適合分類網(wǎng)絡(luò)的訓(xùn)練樣本，分別隨機(jī)抽取各類地物總數(shù)20%,40%,60%,80%的樣本進(jìn)行訓(xùn)練。圖4是不同比例的訓(xùn)練樣本下3D-MCNN的訓(xùn)練結(jié)果。分析圖4可知，隨著樣本比例的增加，分類網(wǎng)絡(luò)訓(xùn)練精度不斷提高，網(wǎng)絡(luò)能快速收斂并充分?jǐn)M合訓(xùn)練樣本。各類樣本比例為80%時(shí)，算法訓(xùn)練精度最高，能充分提取地物的空譜特征，因此，每類地物隨機(jī)選取80%樣本作為訓(xùn)練集，剩余樣本作為測(cè)試集。

【參考文獻(xiàn)】：
期刊論文
[1]基于Faster RCNN的行人檢測(cè)方法[J]. 張匯,杜煜,寧淑榮,張永華,楊碩,杜晨.  傳感器與微系統(tǒng). 2019(02)



本文編號(hào)：3498143