论文部分内容阅读
随着高光谱遥感成像技术的蓬勃发展,高光谱图像的大量获取促进了其被更广泛的应用。高光谱图像是由一维光谱特征和二维空间特征组合而成的三维数据立方体,其中,光谱特征包含了丰富的地物特性,而空间特征包含了详细的地物空间分布情况,而高光谱图像的分类研究是挖掘图像丰富信息的主要方法之一。传统高光谱图像分类方法不仅对空间和光谱信息的利用率不高,而且特征提取的过程中经常破坏信息之间的相关性,无法得到理想的分类结果。近年来,伴随着深度学习的持续发展,越来越多的专家学者将其应用于高光谱遥感领域,并以此为基础提出了多种高光谱图像分类模型,例如卷积神经网络、深度信念网络等。这些分类模型自动提取数据特征,减少人为的操作过程,同时也减小了特征提取过程中对信息的破坏程度,但是随着网络层数的不断加深,在特征提取过程中出现了梯度消失或梯度爆炸的现象,导致过拟合问题的产生,直接影响了分类性能。基于上述问题,本文提出了三种以残差网络(residual network,ResNet)为基础的高光谱图像分类模型,分别为借助二维卷积核(two dimensional convolution,2D)构成的二维残差网络(2D-ResNet)、三维卷积核(three dimensional convolution,3D)构成的三维残差网络(3D-ResNet)以及宽残差网络(wide residual network,WRN)对高光谱图像进行分类研究。利用2D-ResNet对高光谱图像的光谱特征信息、空间信息和融合空谱信息分别进行分类,结果表明,2D-ResNet利用融合空谱信息获得的分类结果最好。相比于2D-ResNet,3D-ResNet可以利用三维卷积核直接提取高光谱图像中的联合空谱信息,最大限度地保留了信息之间的相关性,减少了特征提取过程中对图像数据结构的破坏。本研究将3D-ResNet与虚拟样本相结合构建了高光谱图像分类模型,经过与其它分类模型进行对比发现该模型不仅缓解了训练样本不足的问题,而且得到了很好的分类效果。但是,由于ResNet过于追求网络深度,而忽略了模型自身存在的问题,导致随着残差单元数量的增加,模型的分类性能并没有明显提升。针对这一问题,本文提出了基于WRN的高光谱图像分类模型,并应用该模型对高光谱图像的光谱特征信息、空间信息和融合空谱信息进行了分类实验。结果显示,该模型获得了出色的表现,不仅训练时间能够减少,而且分类精度值在很大程度上也得到了提升,其在高光谱图像分类领域将会有很好的发展前景。