1 井冈山大学电子与信息工程学院, 江西 吉安 343009
2 江西省农作物生长物联网技术工程实验室, 江西 吉安 343009
3 同济大学测绘与地理信息学院, 上海 200092
高光谱图像分类已被公认为是高光谱数据处理的基础性和挑战性任务,丰富的光谱信息和空间信息为有效描述和识别地表物质提供了契机。卷积神经网络(CNN)中的参数较多,为了避免过拟合问题,需要大量的训练样本。Log-Gabor滤波器可以有效地提取包括边缘和纹理在内的空间信息,降低CNN特征提取的难度。为了充分利用CNN和Log-Gabor滤波器的优点,提出了一种将Log-Gabor滤波器和CNN相结合的高光谱图像分类方法,并利用两个真实的高光谱图像数据集进行了对比实验。实验结果表明,所提方法比传统的支持向量机和CNN方法具有更高的分类精度。
遥感 空谱联合特征 高光谱图像 卷积神经网络 Log-Gabor滤波器 分类 激光与光电子学进展
2020, 57(20): 202803
为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。
光谱学 高光谱图像分类 3维卷积神经网络 双向循环神经网络 空谱联合特征 spectroscopy hyperspectral image classification 3-D convolutional neural network bi-directional recurrent neural network spectral-spatial cooperative feature
1 中央民族大学信息工程学院, 北京 100081
2 哈尔滨工程大学信息与通信工程学院, 黑龙江 哈尔滨 150001
高光谱图像分类问题是高光谱遥感图像处理问题中的研究基础,它的主要目的是根据高光谱遥感图像中的光谱信息和空间信息将图像中的每个像元划分为不同的地物类别[1]。高光谱图像分类技术被广泛应用于环境监测、矿产勘探、**目标识别等领域,然而高光谱图像的高维特性、波段间的高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。因此,高光谱图像分类问题越来越受到学者们的广泛关注[2-4]。
光学学报
2019, 39(10): 1028002
