基于深度学习的高光谱图像分类方法研究

• 作 者: 杨旭杰
• 出 处: 西北师范大学
• 发表日期: 2004年期
• 关键词: 深度学习 高光谱图像分类 多层光谱特征提取 空谱结合特征提取

随着社会的发展和科技的进步,高光谱遥感技术的发展为精准农业、食品安全、工业分选、文物保护、刑侦文检、伪装识别、环境监测、药品医学等领域带来了新的发展契机与挑战。与普通图像相比较,高光谱图像的数据维数多、数据量大、标记样本太少,不便于高光谱图像分类,解决这些问题常用监督学习和无监督学习的方法。深度学习便是解决这个问题的新的方向,也是近年来机器学习领域的研究热点。本文从高光谱遥感图像的光谱特征提取与分类、空谱结合特征提取与分类两条路线出发,对高光谱图像进行处理。具体工作如下:(1)针对高光谱图像数据含有噪声、波段数目多、冗余数据多,常见的分类方法分类效果一般,提出了一种基于多层特征提取的高光谱图像分类算法。首先进行数据预处理,其次提出了一种高光谱像元模式输入新方式,对高光谱图像像元特征适当补零,将其转换为二维方矩阵;然后将生成的二维方阵用PCANet进行特征提取与分类。为了得到更好的分类精度,本文详细讨论了 PCANet参数取值对分类精度的影响。在Indian Pines和Pavia University数据集上的实验表明,本文提出的方法具有较好的分类精度,其性能优于传统的方法,是一种有效与可行的高光谱分类方法。(2)传统的高光谱分类方法往往只利用了像元的光谱特征,忽略了高光谱图像“图谱合一”的特性,没有充分利用高光谱图像的空间特征信息。本文提出了一种空谱结合的深度学习高光谱图像分类方法。先对高光谱图像数据进行预处理降维操作,其次用LBP算子提取高光谱图像空间特征信息,随后对高光谱图像进行分块,再用深度卷积神经网络的方法学习深层特征,最后用多层感知器分类器进行特征提取与分类。为了验证本文算法的分类性能,在Indian Pines和Pavia University数据集上的实验并与传统方法进行比较,实验结果表明,本文算法明显优于仅提取了光谱特征的提取算法。是一种高效、鲁棒的高光谱分类方法。