基于多尺度深度卷积网络的高光谱图像分类

冯帅星

摘要：高光谱遥感数据越来越普及并为人们广泛使用，基于高光谱数据的地面物体精确分类是高 光谱遥感技术的核心应用之一。随着深度学习的发展，卷积神经网络在图像分类上表现效果优异。针对高光谱图像光谱维度高、特征丰富的特点，应用添加多尺度滤波器的深度卷积网络进行图像的像元精细分类。实验证明，结合多尺度滤波器的深度卷积网络模型可以得到更好的分类效果。

关键词：遥感图像;卷积网络;多尺度卷积;深度学习

中图分类号：TB文献标识码：Adoi：10.19311/j.cnki.16723198.2019.04.091

1引言

高光谱图像具有信息量大，光谱分辨率高等特点，这使得其适合用来进行地物的精细分类。但同时其伴随着数据冗余和类别标签缺乏等特点，使得高光谱遥感图像分类的发展充满挑战。遥感图像分类的研究主要分为两类：一种是特征匹配的分类方法研究，另一种是基于特征空间的影响分类方法。在高光谱图像分类领域，前人将深度学习模型结合高光谱图像的特点，取得了许多进展。而在众多深度学习模型中，卷积神经网络在图像信息处理中表现最为出色。本文在前人研究基础上，提出一个结合多尺度滤波器的深度卷积神经网络模型，用于高光谱遥感图像像元分类。

2网络结构

2.1卷积操作处理原理

3数据准备和实验设计

3.1三个常用高光谱图像数据集介绍

本文选取Indian Pines和Pavia University高光谱图像数据集进行实验，从数据集图像中贴片获取格式为5*5*N（光谱波段数）的样本数据，边缘像素点采取0值填充方法进行获取，并从每类中随机选取200个样本作为训练样本，其余为测试样本。

3.2实验设计

选取多分类对数损失函数作为目标函数，采用随机梯度下降法进行训练。为减少样本随机选取的干扰，每个实验重复十次，取平均值进行效果评价，并与其它方法进行对比。

4实验结果对比

從表2和3中可以看出，本文提出的网络表现最好。在两个数据集上的总体和分类别上均表现最好，在Kappa系数上也取得最高值。这表明多尺度滤波器通过提取有价值的空谱特征达到较高的分类精度。

5结论

本文针对高光谱图像分类问题，提出了包含多尺度滤波器的深度卷积神经网络对高光谱数据进行像元分类。通过与其他先进深度学习方法的对比发现，本文提出额分类模型能够取得更高的分类精度。因深度学习需要大量计算来进行模型学习，所以如何提升计算效率，减少训练时间都是深度学习模型继续研究的方向。

参考文献

[1]宋琳， 程咏梅， 赵永强. 基于稀疏表示模型和自回归模型的高光谱分类[J]. 光学学报， 2012，32（3）：314320.

[2]Keysers D， Deselaers T， Gollan C， et al. Deformation Models for Image Recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2007，29（8）：14221435.

[3]施晓东， 刘格. 一种光学遥感图像海陆分割方法[J]. 国外电子测量技术， 2014，（11）.

[4]胡敏， 陈红波， 许良凤，等. 基于颜色和纹理特征的黄瓜病害识别算法[J]. 电子测量与仪器学报， 2015，29（7）：970977.

[5]梁栋， 颜普， 朱明，等. 一种基于NSCT和SIFT的遥感图像配准算法[J]. 仪器仪表学报， 2011，32（5）：10831088.

[6]谭熊， 余旭初， 秦进春，等. 高光谱影像的多核SVM分类[J]. 仪器仪表学报， 2014，35（2）：405411.

[7]Richards JA. Computer processing of remotelysensed images： An introduction[J]. Earth Science Reviews，1988，27（4）：392394.

[8]林洲汉. 基于自动编码机的高光谱图像特征提取及分类方法研究[D]. 哈尔滨：哈尔滨工业大学， 2014.

[9]赵兴. 基于深度置信网集成的高光谱数据分类方法研究[D]. 哈尔滨：哈尔滨工业大学， 2015.

[10]付光远， 辜弘炀， 汪洪桥. 基于卷积神经网络的高光谱图像谱-空联合分类[J]. 科学技术与工程， 2017，17（21）：268274.