基于多尺度深度卷積網絡的高光譜圖像分類

馮帥星

摘要：高光譜遙感數據越來越普及并為人們廣泛使用，基于高光譜數據的地面物體精確分類是高 光譜遙感技術的核心應用之一。隨著深度學習的發展，卷積神經網絡在圖像分類上表現效果優異。針對高光譜圖像光譜維度高、特征豐富的特點，應用添加多尺度濾波器的深度卷積網絡進行圖像的像元精細分類。實驗證明，結合多尺度濾波器的深度卷積網絡模型可以得到更好的分類效果。

關鍵詞：遙感圖像;卷積網絡;多尺度卷積;深度學習

中圖分類號：TB文獻標識碼：Adoi：10.19311/j.cnki.16723198.2019.04.091

1引言

高光譜圖像具有信息量大，光譜分辨率高等特點，這使得其適合用來進行地物的精細分類。但同時其伴隨著數據冗余和類別標簽缺乏等特點，使得高光譜遙感圖像分類的發展充滿挑戰。遙感圖像分類的研究主要分為兩類：一種是特征匹配的分類方法研究，另一種是基于特征空間的影響分類方法。在高光譜圖像分類領域，前人將深度學習模型結合高光譜圖像的特點，取得了許多進展。而在眾多深度學習模型中，卷積神經網絡在圖像信息處理中表現最為出色。本文在前人研究基礎上，提出一個結合多尺度濾波器的深度卷積神經網絡模型，用于高光譜遙感圖像像元分類。

2網絡結構

2.1卷積操作處理原理

3數據準備和實驗設計

3.1三個常用高光譜圖像數據集介紹

本文選取Indian Pines和Pavia University高光譜圖像數據集進行實驗，從數據集圖像中貼片獲取格式為5*5*N（光譜波段數）的樣本數據，邊緣像素點采取0值填充方法進行獲取，并從每類中隨機選取200個樣本作為訓練樣本，其余為測試樣本。

3.2實驗設計

選取多分類對數損失函數作為目標函數，采用隨機梯度下降法進行訓練。為減少樣本隨機選取的干擾，每個實驗重復十次，取平均值進行效果評價，并與其它方法進行對比。

4實驗結果對比

從表2和3中可以看出，本文提出的網絡表現最好。在兩個數據集上的總體和分類別上均表現最好，在Kappa系數上也取得最高值。這表明多尺度濾波器通過提取有價值的空譜特征達到較高的分類精度。

5結論

本文針對高光譜圖像分類問題，提出了包含多尺度濾波器的深度卷積神經網絡對高光譜數據進行像元分類。通過與其他先進深度學習方法的對比發現，本文提出額分類模型能夠取得更高的分類精度。因深度學習需要大量計算來進行模型學習，所以如何提升計算效率，減少訓練時間都是深度學習模型繼續研究的方向。

參考文獻

[1]宋琳， 程詠梅， 趙永強. 基于稀疏表示模型和自回歸模型的高光譜分類[J]. 光學學報， 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]施曉東， 劉格. 一種光學遙感圖像海陸分割方法[J]. 國外電子測量技術， 2014，（11）.

[4]胡敏， 陳紅波， 許良鳳，等. 基于顏色和紋理特征的黃瓜病害識別算法[J]. 電子測量與儀器學報， 2015，29（7）：970977.

[5]梁棟， 顏普， 朱明，等. 一種基于NSCT和SIFT的遙感圖像配準算法[J]. 儀器儀表學報， 2011，32（5）：10831088.

[6]譚熊， 余旭初， 秦進春，等. 高光譜影像的多核SVM分類[J]. 儀器儀表學報， 2014，35（2）：405411.

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

[8]林洲漢. 基于自動編碼機的高光譜圖像特征提取及分類方法研究[D]. 哈爾濱：哈爾濱工業大學， 2014.

[9]趙興. 基于深度置信網集成的高光譜數據分類方法研究[D]. 哈爾濱：哈爾濱工業大學， 2015.

[10]付光遠， 辜弘煬， 汪洪橋. 基于卷積神經網絡的高光譜圖像譜-空聯合分類[J]. 科學技術與工程， 2017，17（21）：268274.