论文部分内容阅读
高光谱图像通常包含数百个通道,它们的电磁波谱是从可见光到近红外波长范围。基于光谱特征将每个像素分配给特定的地物类别是高光谱图像分类的重要任务之一,并引起了遥感领域的广泛关注。从高光谱图像中提取高区分度特征是分类的关键步骤。近年来,深度学习技术已被广泛应用于高光谱图像分类。它是通过一系列卷积层来提取高光谱图像的深层特征。通常,卷积深度网络模型可以使用图像块来利用高光谱图像中的局部空间信息,并提供较好的性能,但未考虑全局信息。另外,传统的基于卷积神经网络的分类方法需要利用像素周围的邻域作为网络的输入以提取其特征向量。然而这些方法导致大量的重复计算并且由于邻域有限而无法灵活地提取上下文信息。针对以上两个问题,本文提出了两种高光谱分类算法,主要内容概述如下:
卷积深度网络模型可以使用图像块来利用高光谱图像中的局部空间信息,但未考虑全局信息。因此,本文提出了一种新的光谱空间分类方法,称为局部与全局信息联合卷积神经网络,以利用局部和全局信息进行高光谱图像分类。具体来说,我们首先从高光谱图像提取局部图像块来训练和测试卷积神经网络模型,该模型可以利用局部信息来创建概率图。然后,我们在概率图上构造一个加权图,并在图上应用扩展随机行走算法来利用高光谱图像中的全局信息,以获得更好的分类性能。
由于传统的基于卷积神经网络的分类方法需要像素周围的邻域作为网络的输入以提取其特征向量,导致大量的重复计算并且无法灵活地提取上下文信息。因此,在本文中,我们提出了一种多层次信息融合的全卷积网络高光谱图像分类方法。具体来说,首先使用预训练的全卷积网络来挖掘多层次空间分布特征。然后,将空间分布特征和原始光谱特征融合以训练支持向量机分类器获得粗分类概率图。最后,采用扩展随机行走算法来进一步优化分类概率图,从而提供更好的分类结果。
本文深入研究了基于信息联合的高光谱图像分类方法,充分利用了高光谱图像的局部和全局信息,另外也利用了高光谱图像的多层次信息,提高了特征表征能力。为了验证算法的有效性,我们在多个公开数据集和长沙市高分五号高光谱图像实施了一系列对比试验。实验结果表明,我们的方法能获得较好的分类结果。
卷积深度网络模型可以使用图像块来利用高光谱图像中的局部空间信息,但未考虑全局信息。因此,本文提出了一种新的光谱空间分类方法,称为局部与全局信息联合卷积神经网络,以利用局部和全局信息进行高光谱图像分类。具体来说,我们首先从高光谱图像提取局部图像块来训练和测试卷积神经网络模型,该模型可以利用局部信息来创建概率图。然后,我们在概率图上构造一个加权图,并在图上应用扩展随机行走算法来利用高光谱图像中的全局信息,以获得更好的分类性能。
由于传统的基于卷积神经网络的分类方法需要像素周围的邻域作为网络的输入以提取其特征向量,导致大量的重复计算并且无法灵活地提取上下文信息。因此,在本文中,我们提出了一种多层次信息融合的全卷积网络高光谱图像分类方法。具体来说,首先使用预训练的全卷积网络来挖掘多层次空间分布特征。然后,将空间分布特征和原始光谱特征融合以训练支持向量机分类器获得粗分类概率图。最后,采用扩展随机行走算法来进一步优化分类概率图,从而提供更好的分类结果。
本文深入研究了基于信息联合的高光谱图像分类方法,充分利用了高光谱图像的局部和全局信息,另外也利用了高光谱图像的多层次信息,提高了特征表征能力。为了验证算法的有效性,我们在多个公开数据集和长沙市高分五号高光谱图像实施了一系列对比试验。实验结果表明,我们的方法能获得较好的分类结果。