论文部分内容阅读
高光谱遥感图像不同于一般图像,它是具有丰富的空间信息和光谱信息,目前在许多实际场景中已经得到广泛运用,而高光谱遥感图像分类又是遥感图像领域研究的一个很重要的部分,受到了越来越多的研究者的关注,其目的就是对图像中的每个像元进行分类,为后续的遥感图像研究提供地物的信息。本文主要研究基于卷积神经网络的高光谱遥感图像分类技术,本文的工作内容主要分为以下两部分:1)基于卷积神经网络的特征融合的分类模型:考虑到高光谱遥感图像光谱维的一维结构和空间几何的二维结构,本文设计了两种卷积神经网络模型来分别提取像元的光谱信息和空间信息,这里提取的光谱信息是图像的原始光谱维作为第一个卷积神经网络模型(spe-CNN)的输入得到的,而提取的空间信息是对原始光谱进行降维后取每个像元的一定大小邻域构成的图像块作为第二个卷积神经网络模型(spa-CNN)的输入得到的,然后将提取出来的两种特征进行融合(本文使用的是串行拼接方法)后作为像元的最终特征以弥补两个特征在光谱或者空间信息上的不足,使用经典的支持向量机作为最终的分类器,本文称这个分类模型为CNN2-SVM,融合后的分类精度能够在单模型spe-CNN或者spa-CNN的基础上得到提升,但是后来发现基于spe-CNN单模型得到分类精度较低(直观上认为它提取的特征不够好),考虑到图像光谱维存在噪声,本文使用保边去噪方法先对原始图像进行去噪预处理,实验证明预处理后的方法(PR*-CNN2-SVM)又能在CNN2-SVM的基础上提高分类精度。2)基于端到端的卷积神经网络结合后处理的分类模型:由于CNN2-SVM将特征提取和分类分成了两步,分类过程较为繁琐,为了进一步简化分类结构,本文将SVM替换成softmax,使之能够实现端到端的训练,本文称之为CNNs,因为PR*在PR*-CNN2-SVM分类方法中证明了去噪预处理的有效性,因此本方法同样考虑了它,由于softmax作为一层神经元置于在网络末尾,使得参数增加,所以在实验过程中发现训练准确率相对测试准确率偏高,出现了过拟合现象,针对此现象,本文又提出了一种加权均值滤波的后处理方法来应对这个现象,实验证明PR*-CNNs结合后处理的方法(PR*-CNNs-post)能够在充足样本下取得跟PR*-CNN2-SVM相当的分类精度,而在少样本条件下得到比PR*-CNN2-SVM更高的分类精度。