|
目前，关于高光谱遥感图像分类任务，一种是采用传统的措施，例如应用光谱特征的分类措施和数据的统计特征的分类措施，包含常用的 K 近邻算法以及支持向量机（Support Vector Machine，SVM）。但是，传统的措施一方面是没有思索到高光谱图像丰厚的空间信息，招致特征提取不够完好；另一方面是大多数措施基于手工特征，需求人工判别和标注，会破费较多的人力和时间。传统的浅层学习措施的局限性在于：它主要是提取分类器所需求的特征，而且提取的特征是面向范畴学问的，这些都会构成分类精度不佳。 近些年，一些深度学习模型也被应用在高光谱遥感图像分类中，如深度信心网络（Deep Belief Network，DBN）和栈式自编码器（Stacked Autoencoder，SAE）网络，但是这两个网络的局限性在于：均请求输入为一维向量，由于光谱信息自身为一维，需求对空间信息拉伸成一维向量，这样就会构成空间信息的丧失。而卷积神经网络（Convolutional Neural Network，CNN）经过部分衔接有效提取特征，经过共享权值显著地减小参数量，而且它在图像分类、图像超分辨率重建、目的检测、医学图像处置等范畴取得普遍应用，为卷积神经网络在高光谱遥感图像分类任务中的应用奠定了基础。 高光谱遥感图像分类 高光谱遥感图像分类概述
高光谱遥感图像应用成像光谱仪获取连续的、多波段狭窄的遥感图像。与普通的遥感图像相比，第一，它能抵达纳米级别的分辨率，第二，它是一个能够充沛反映地物目的的光谱特征的数据立方体，且包含丰厚的空间信息和光谱信息。高光谱遥感图像分类的过程主要由数据输入、数据预处置、特征提取和特征选择、分类模型、精度评价、分类结果这几大步骤组成。 高光谱遥感图像分类存在的问题 高光谱遥感图像具有“图谱合一”的特性，同时包含大量的数据信息，具有庞大的信息潜力，但是如何从大量的信息中高效精确地完成分类任务，做到省时省力，不时是人们的研讨热点，因而在处置这个问题时还有以下艰难需求抑止： （1）缺乏大型、公开、已标记的数据集。 （2）小样本和高维度的问题。 （3）高维特性使数据的存储和处置变得艰难。 卷积神经网络 卷积神经网络（CNN）普遍应用于图像处置和方式辨认等方面。与 DBN和 SAE相比，CNN是高光谱图像分类运用最多的深度学习模型。卷积神经网络卷积层的工作原理是应用卷积核中止特征的提取，这种提取是自主完成的；而池化层的工作原理是对来自卷积层的数据中止下采样处置，这种方式的益处是使感受野变得更大，数据量被不时紧缩，参数量明显降低；全衔接层也是卷积神经网络很重要的部分，它的主要作用是将数据以一维的方式输出。
目前卷积神经网络有三种不同方式的卷积核，包含1D-CNN、2D-CNN、3D-CNN，它们具有相同的元素计算过程，都采用反向传播算法对网络的参数中止修正，并锻炼网络。关于高光谱遥感图像分类而言，它们的实质区别就是分别代表了不同方式的特征。基于CNN的分类措施主要是基于光谱特征、基于空间特征、基于空谱特征分离的措施。 基于光谱特征的分类措施 基于光谱特征的分类措施主要是应用一维卷积神经网络（1D-CNN）提取光谱特征，但它并非主流措施，其局限性在于：1D-CNN只能取到光谱向量，没有思索终间信息，而高光谱图像中存在“同谱异物”和“异物同谱”现象，仅仅应用光谱信息分类难以得到较好的分类效果。 基于空间特征的分类措施 2D-CNN与1D-CNN最实质的区别在于2D-CNN 的卷积和池化都是二维的操作。应用2D-CNN能够提取高光谱遥感图像目的像素周围的部分空间信息。二维卷积操作的时分，采用的公式如下：
基于空谱特征分离的分类措施 基于空谱特征分离的分类措施，主要是分离高光谱图像丰厚的光谱信息和不可或缺的空间信息完成分类 任务，普通有两种措施： 1. 1D+2D-CNN的空谱分类措施 2.基于3D-CNN的空谱分类措施
总结 随着遥感技术的不时更新展开，高光谱遥感图像应用也变得愈加普遍，高光谱遥感图像分类不时是计算机范畴和遥感范畴的研讨重点，这项工作具有良好的应用前景和较为扎实的理论基础。高光谱遥感图像分类这项基础性的重要工作假如完成得较好，将会对后续的高光谱遥感图像处置打下坚实基础，将会完成很多有意义的实践工作。本文对近几年卷积神经网络在高光谱遥感图像分类中的应用中止了总结和归结： （1）传统的高光谱图像分类措施，一方面只应用光谱信息中止分类，没有充沛思索高光谱遥感图像中所包含的丰厚的空间信息，另外需求专家学问作基础，只能提取特定种类的浅层特征，丧失了空间信息的多样性；另一方面，模型的泛化才干不佳，普适性不强，因而分类效果不甚理想。 （2）卷积神经网络作为一种深度学习模型，能够处置原始数据和特定类标签之间的复杂关系，输入网络的数据在模型中中止锻炼，能够获取更深层次的光谱空间特征。比起早期运用的SAE网络和DBN网络请求输入为一维向量的限制，卷积神经网络能够处置二维以至三维的数据，使得卷积神经网络成为完成高光谱图像分类任务常用的网络。从目前的措施来看，基于三维卷积神经网络的措施展开疾速，它充沛思索终间信息和光谱信息，使得高光谱图像的优势能够更好地发挥，另外分离留意力机制、迁移学习、混合网络等战略，很好地弥补了高光谱数据自身的高维特性、锻炼样本稀缺、数据非线性等缺陷，更好地提升了分类效果。
欢送关注公众号：莱森光学，了解更多光谱学问。 莱森光学（深圳）有限公司是一家提供光机电一体化集成处置计划的高科技公司，我们专注于光谱传感和光电应用系统的研发、消费和销售。 |
名表回收网手机版
