為了提高高光譜圖像的分類精度,提出了一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類算法。首先,利用等距特征映射算法處理高光譜數(shù)據(jù),以挖掘數(shù)據(jù)的非線性特性,保持?jǐn)?shù)據(jù)點(diǎn)的內(nèi)在幾何性質(zhì);然后,構(gòu)建以標(biāo)記像元為中心的訓(xùn)練圖像塊,訓(xùn)練多尺度卷積神經(jīng)網(wǎng)絡(luò);最后,利用softmax分類器預(yù)測測試像元的標(biāo)簽。提出的方法在Indian Pines、University of Pavia和Salinas scene高光譜遙感數(shù)據(jù)集上進(jìn)行分類實(shí)驗(yàn),并與CNN、R-PCA CNN、CNN-PPF、CD-CNN等算法進(jìn)行性能比較。實(shí)驗(yàn)結(jié)果表明,在3個數(shù)據(jù)集上提出的方法的總體識別精度分別達(dá)到98.51%、98.64%和99.39%,與CNN算法相比分別提高了約8.35%、6.37%和7.81%。本文提出的方法無論是在分類精度還是Kappa系數(shù)上都優(yōu)于另外4種方法,是一種較好的高光譜遙感數(shù)據(jù)分類方法。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1多尺度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

算法的基本思想是：假設(shè)高維空間的數(shù)據(jù)分布在一個低維嵌入的流形結(jié)構(gòu)中，那么數(shù)據(jù)間在鄰域關(guān)系圖中的最短距離就可以近似表示數(shù)據(jù)所含的幾何特性。算法的具體步驟如下：

圖2殘差示意圖Fig.2Residualmap

考慮到不同的層可能具有不同數(shù)量的特征圖，本文使用尺寸匹配函數(shù)來確保它們在特征融合之前具有相同的光譜維度。假設(shè)F1、F2、F3分別代表C1層、C2層、C3層網(wǎng)絡(luò)的輸出，并且它們分別具有8、16、32個特征映射。為了讓其具有相同的特征映射數(shù)量，我們用大小為1×1的32個內(nèi)核來做卷積運(yùn)....

圖3IndianPines數(shù)據(jù)集分類效果

IndianPines圖像的截取尺寸大小為145×145，共有16種地物，通常用去除壞波段和水體吸收波段后剩余的200個波段作為研究對象。IndiansPines數(shù)據(jù)集具有植被多、分布復(fù)雜且數(shù)據(jù)集不平衡、易產(chǎn)生混合像元等特點(diǎn)。表1和圖3分別反映了在IndianPines數(shù)據(jù)....

圖4UniversityofPavia數(shù)據(jù)集分類效果

UniversityofPavia圖像的截取尺寸大小為610×340，共有9種地物。表2和圖4分別反映了在UniversityofPavia數(shù)據(jù)集上實(shí)驗(yàn)的分類結(jié)果。如表2所示，本文算法在UniversityofPavia數(shù)據(jù)集上的OA比其余4種算法高約1.91%～6.....

本文編號：3947117