-
题名基于改进的3D⁃CNN的高光谱遥感图像地物分类
被引量：3
- 1
-
-
作者
谢幸雨
贺辉
邢海花
-
机构
北京师范大学珠海校区自然科学高等研究院
北京师范大学智能工程与教育应用研究中心
海南师范大学信息科学技术学院
-
出处
《数据采集与处理》
CSCD
北大核心
2021年第1期156-163,共8页
-
基金
海南省基础与应用基础研究计划(自然科学领域)高层次人才计划(2019RC182)资助项目。
-
文摘
高光谱遥感影像波段众多,包含丰富的辐射、空间和光谱信息,是多种信息的综合载体,应用广泛。但是传统的高光谱影像地物分类方法多着重于光谱维度的特征提取,却忽略了空间维度上的特征,进而影响了分类的准确性。三维卷积神经网络(Three⁃dimensional convolutional neural network,3D⁃CNN)可以同时在3个维度上对数据进行卷积处理,故本文采用3D⁃CNN深度网络进行高光谱影像地物分类,并针对3D⁃CNN网络存在的问题,提出了一种基于改进的3D⁃CNN的高光谱遥感影像地物分类方法。本文方法对提取到的空间和光谱特征实现融合复用,尽可能发挥特征的价值。此外,本文引入浅层特征细节保存网络的思想,提出一种综合浅层特征细节保存的影像分类深度网络模型,进一步提高了高光谱影像地物分类的准确度。在Tensorflow框架下对2个常用的高光谱遥感影像数据集(Indian Pines和Pavia University)的实验结果表明,相比基础的3D⁃CNN网络,本文方法的分类精度提高了近2%,而且类别边界更准确。
-
关键词
高光谱图像分类
三维卷积神经网络
特征融合浅层
特征细节保存
-
Keywords
hyperspectral remote sensing land-cover classification
3D-CNN network
feature fusion
feature details preservation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
