馮帥星

摘要：高光譜遙感數(shù)據(jù)越來越普及并為人們廣泛使用，基于高光譜數(shù)據(jù)的地面物體精確分類是高 光譜遙感技術(shù)的核心應(yīng)用之一。隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在圖像分類上表現(xiàn)效果優(yōu)異。針對高光譜圖像光譜維度高、特征豐富的特點(diǎn)，應(yīng)用添加多尺度濾波器的深度卷積網(wǎng)絡(luò)進(jìn)行圖像的像元精細(xì)分類。實(shí)驗證明，結(jié)合多尺度濾波器的深度卷積網(wǎng)絡(luò)模型可以得到更好的分類效果。

關(guān)鍵詞：遙感圖像;卷積網(wǎng)絡(luò);多尺度卷積;深度學(xué)習(xí)

中圖分類號：TB文獻(xiàn)標(biāo)識碼：Adoi：10.19311/j.cnki.16723198.2019.04.091

1引言

高光譜圖像具有信息量大，光譜分辨率高等特點(diǎn)，這使得其適合用來進(jìn)行地物的精細(xì)分類。但同時其伴隨著數(shù)據(jù)冗余和類別標(biāo)簽缺乏等特點(diǎn)，使得高光譜遙感圖像分類的發(fā)展充滿挑戰(zhàn)。遙感圖像分類的研究主要分為兩類：一種是特征匹配的分類方法研究，另一種是基于特征空間的影響分類方法。在高光譜圖像分類領(lǐng)域，前人將深度學(xué)習(xí)模型結(jié)合高光譜圖像的特點(diǎn)，取得了許多進(jìn)展。而在眾多深度學(xué)習(xí)模型中，卷積神經(jīng)網(wǎng)絡(luò)在圖像信息處理中表現(xiàn)最為出色。本文在前人研究基礎(chǔ)上，提出一個結(jié)合多尺度濾波器的深度卷積神經(jīng)網(wǎng)絡(luò)模型，用于高光譜遙感圖像像元分類。

2網(wǎng)絡(luò)結(jié)構(gòu)

2.1卷積操作處理原理

3數(shù)據(jù)準(zhǔn)備和實(shí)驗設(shè)計

3.1三個常用高光譜圖像數(shù)據(jù)集介紹

本文選取Indian Pines和Pavia University高光譜圖像數(shù)據(jù)集進(jìn)行實(shí)驗，從數(shù)據(jù)集圖像中貼片獲取格式為5*5*N（光譜波段數(shù)）的樣本數(shù)據(jù)，邊緣像素點(diǎn)采取0值填充方法進(jìn)行獲取，并從每類中隨機(jī)選取200個樣本作為訓(xùn)練樣本，其余為測試樣本。

3.2實(shí)驗設(shè)計

選取多分類對數(shù)損失函數(shù)作為目標(biāo)函數(shù)，采用隨機(jī)梯度下降法進(jìn)行訓(xùn)練。為減少樣本隨機(jī)選取的干擾，每個實(shí)驗重復(fù)十次，取平均值進(jìn)行效果評價，并與其它方法進(jìn)行對比。

4實(shí)驗結(jié)果對比

從表2和3中可以看出，本文提出的網(wǎng)絡(luò)表現(xiàn)最好。在兩個數(shù)據(jù)集上的總體和分類別上均表現(xiàn)最好，在Kappa系數(shù)上也取得最高值。這表明多尺度濾波器通過提取有價值的空譜特征達(dá)到較高的分類精度。

5結(jié)論

本文針對高光譜圖像分類問題，提出了包含多尺度濾波器的深度卷積神經(jīng)網(wǎng)絡(luò)對高光譜數(shù)據(jù)進(jìn)行像元分類。通過與其他先進(jìn)深度學(xué)習(xí)方法的對比發(fā)現(xiàn)，本文提出額分類模型能夠取得更高的分類精度。因深度學(xué)習(xí)需要大量計算來進(jìn)行模型學(xué)習(xí)，所以如何提升計算效率，減少訓(xùn)練時間都是深度學(xué)習(xí)模型繼續(xù)研究的方向。

參考文獻(xiàn)

[1]宋琳， 程詠梅， 趙永強(qiáng). 基于稀疏表示模型和自回歸模型的高光譜分類[J]. 光學(xué)學(xué)報， 2012，32（3）：314320.

[2]Keysers D， Deselaers T， Gollan C， et al. Deformation Models for Image Recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2007，29（8）：14221435.

[3]施曉東， 劉格. 一種光學(xué)遙感圖像海陸分割方法[J]. 國外電子測量技術(shù)， 2014，（11）.

[4]胡敏， 陳紅波， 許良鳳，等. 基于顏色和紋理特征的黃瓜病害識別算法[J]. 電子測量與儀器學(xué)報， 2015，29（7）：970977.

[5]梁棟， 顏普， 朱明，等. 一種基于NSCT和SIFT的遙感圖像配準(zhǔn)算法[J]. 儀器儀表學(xué)報， 2011，32（5）：10831088.

[6]譚熊， 余旭初， 秦進(jìn)春，等. 高光譜影像的多核SVM分類[J]. 儀器儀表學(xué)報， 2014，35（2）：405411.

[7]Richards JA. Computer processing of remotelysensed images： An introduction[J]. Earth Science Reviews，1988，27（4）：392394.

[8]林洲漢. 基于自動編碼機(jī)的高光譜圖像特征提取及分類方法研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)， 2014.

[9]趙興. 基于深度置信網(wǎng)集成的高光譜數(shù)據(jù)分類方法研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)， 2015.

[10]付光遠(yuǎn)， 辜弘煬， 汪洪橋. 基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像譜-空聯(lián)合分類[J]. 科學(xué)技術(shù)與工程， 2017，17（21）：268274.