卷積神經(jīng)網(wǎng)絡(luò)（CNN）具有強大的特征提取能力,能夠有效地提高高光譜圖像的分類精度.然而CNN模型訓練需要大量的訓練樣本參與,以防止過擬合,Gabor濾波器以非監(jiān)督的方式提取圖像的邊緣和紋理等空間信息,能夠減輕CNN模型對訓練樣本的依賴度及特征提取的壓力.為了充分利用CNN和Gabor濾波器的優(yōu)勢,提出了一種雙通道CNN和三維Gabor濾波器相結(jié)合的高光譜圖像分類方法 Gabor-DC-CNN.首先利用二維卷積神經(jīng)網(wǎng)絡(luò)（2D-CNN）模型處理原始高光譜圖像數(shù)據(jù),提取圖像的深層空間特征;同時利用一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）模型處理三維Gabor特征數(shù)據(jù),進一步提取圖像的深層光譜-紋理特征.連接2個CNN模型的全連接層實現(xiàn)特征融合,并將融合特征輸入到分類層中完成分類.實驗結(jié)果表明,該方法能夠有效地提高分類精度,在Indian Pines,Pavia University和Kennedy Space Center 3組數(shù)據(jù)上分別達到98.95%, 99.56%和99.67%. 

【文章來源】：計算機輔助設(shè)計與圖形學學報. 2020,32(01)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

二維卷積濾波原理示意圖

94計算機輔助設(shè)計與圖形學學報第32卷圖4CNN和三維Gabor特征相結(jié)合的分類示意圖表1實驗數(shù)據(jù)信息數(shù)據(jù)名稱獲取地點獲取成像光譜儀圖像大小/像素波長/μm波段數(shù)空間分辨率/mIndianPines美國印第安納州西北部某林區(qū)AVIRIS145×1450.40~2.5020020.0PaviaUniversity意大利帕維亞大學ROSIS610×3400.43~0.861031.3KennedySpaceCenter佛羅里達州肯尼迪航天中心附近AVIRIS512×6140.40~2.5017618.0表2IndianPines數(shù)據(jù)樣本數(shù)量類別訓練樣本測試樣本Corn-notill2001228Corn-mintill200630Grass-pasture200283Grass-trees200530Hay-windowed200278Soybean-notill200772Soybean-mintill2002255Soybean-clean200393Woods2001065總和18007434表3PaviaUniversity數(shù)據(jù)樣本數(shù)量類別訓練樣本測試樣本Asphalt2006431Meadows20018449Gravel2001899Trees2002864Sheets2001145BareSoil2004829Bitumen2001130Bricks2003482Shadows200747總和180040976表4KennedySpaceCenter數(shù)據(jù)樣本數(shù)量類別訓練樣本測試樣本Scrub50711Willow50193CPHammock50206CP/Oak50202SlashPine50111Oak/Broadleaf50179HardwoodSwamp5055GraminoidMarsh50381SpartinaMarsh50470CattailMarsh50354SaltMarsh50369MudFlats50453Water50877總和6504561物,在實驗中剔除真實樣本較少的地物類別,共保留9類地物.實驗之前,實驗數(shù)據(jù)均歸一化到0~1.3.2實驗結(jié)果與分析3.2.1參數(shù)選擇(1)三維Gabor濾波器參數(shù)為了提取多種類型的紋理特征,采用了多個方向多個中心頻率的三維Gabor濾波器組,濾波器組共包含13個方向,設(shè)置中心頻率={1/2,1/4}


本文編號：3041979