论文部分内容阅读
高光谱遥感技术利用数百个连续细分的波段对目标区域同时成像,形成了包含丰富谱空信息的三维高光谱图像,该技术已广泛应用于天文探索、军事目标检测、国土勘探等多个军民领域。如何对高光谱图像的内容进行精确识别是目前重要的研究课题。一方面,高光谱图像维数高、信息冗余,而子空间聚类强调在若干个子空间中发现聚类,通过删除不相关的维度来消除冗余信息,使得样本能够嵌入到清晰可分的子空间结构中。另一方面,高光谱图像信息量大、无法自动选取合适的特征提取方法,而基于深度学习的方法能够自主地学习隐性特征,在分类结果和性能上均取得了进展。针对高光谱图像,本文进行了以下两个研究:(1)提出基于3-D边缘保持滤波的谱空稀疏子空间聚类方法(Spectral-Spatial Sparse Subspace Clustering Based on 3-D Edge-Preserving Filtering for Hyperspectral Image,SSC-3DEPF)。根据高光谱图像的结构特点,构造了三维边缘保持滤波;在高光谱图像的稀疏表示过程中,采用三维边缘保持滤波对表示系数进行约束,将相对稳定的空间信息和边缘强度信息(像素值相似度)整合到稀疏子空间聚类过程中,利用ADMM优化框架对SSC-3DEPF的目标函数进行求解,得到更能刻画内在几何结构表示的系数矩阵,这样通过滤波操作实现了稀疏表示系数矩阵C的局部优化,提取了原始数据的本征结构。最后,通过C构建相似矩阵W并使用谱聚类方法得到最后的分割结果。对比实验表明:相比于其他现有的聚类算法,SSC-3DEPF可以获得更高的聚类准确率。(2)提出基于谱空结合的伪三维密集连接分类网络(Spectral-Spatial Pseudo-3D DenseNet for Hyperspectral Image Classification,SSP3DNet)。在数据输入网络之前,首先使用一种数据增强策略,包括边缘镜像和增加适量高斯噪声来扩大样本集,以缓解高光谱图像因训练样本少而导致的过拟合问题。采用伪三维卷积经济有效地提取光谱和空间特征,使得网络权重稀疏、计算量降低、收敛速度快;利用密集连接结构使得每个卷积的输入由所有先前卷积层的输出组成,支持新特征的探索,同时缓解了梯度消失现象,从而构建一个更深层次的网络,来增加感受野以获取全局特征。实验表明,SSP3DNet能够利用更深层次的谱空特征来获得较高的分类精度,边缘区域像素能更好地划分,相比于其他深度学习算法,训练过程仅在80个epoch内达到最好精度。