论文部分内容阅读
近年来,深度学习特别是深度卷积神经网络在高光谱图像分类领域的应用越来越广泛,取得了越来越好的分类性能。然而随着高光谱图像空间分辨率和光谱分辨率的不断提高,在分类时还存在着空谱信息融合利用不足、光谱信息冗余、计算复杂度高、椒盐噪声难以去除等问题。并且基于深度学习的分类方法总需要一个大规模标注的数据集来支持训练,样本数量不足将影响分类准确率。针对这些问题,本文开展了如下研究:首先,作为本文的研究基础,分析了几类基于深度卷积神经网络的经典分类方法,它们分别是基于光谱信息、基于空间信息和融合空谱信息的分类方法,通过这些方法的分析与验证,不仅证明了融合空谱信息的方法具有明显的优势,同时为本文后续研究奠定了基础。随后,提出了基于信息测度降维的高光谱图像分类方法(IM),应用熵和颜色匹配函数对谱带初步选择,再计算最小互信息对谱带二次选择,有效实现了对高光谱图像降维。并通过对选出谱带合成假彩色图像,实现了对地物信息的可视预判。相对于基于光谱信息的分类方法,IM方法的总分类准确率至少提高了7%。相对于基于空间信息的分类方法和融合光谱与第一主成分空间信息的分类方法,IM方法总分类准确率至少提高了4%。在此基础上,又提出基于信息测度降维与光谱信息加强的分类方法(IM_SPE),进一步融合空谱信息输入卷积神经网络,获得比基于前三主成分空谱信息分类方法和IM方法更高的分类准确率,该方法通过巧妙的降维在一定程度上解决了光谱信息冗余的问题,并且利用空谱融合得到了更好的分类效果。最后,研究分析了基于深度迁移学习的高光谱图像分类方法,并提出基于深度迁移学习与最优邻域降噪的分类方法,在小样本上获得了超过98%的平均分类准确率,且相对于无迁移学习方法和基于前三主成分空谱信息的分类方法,总分类准确率分别提高了至少3%和2%。该方法在一定程度上减小了计算复杂度,并解决了训练样本不足、噪声严重导致分类准确率不高的问题。通过以上所有分类方法的性能对比实验,验证了本文提出的方法均在一定程度上提高了分类准确率,特别是在高维小样本上有着最为稳定和优异的性能表现。