深度学习在高光谱图像分类中的应用研究

摘要

高光谱遥感技术近年来越来越受到重视，这是由于高光谱图像包含了大量地物的光谱信息、空间信息及辐射能量，因此可以通过对这些信息的合理利用而实现对地物的识别和分类。然而随着遥感数据维度的不断增加，图像数据量大、数据冗余以及光谱相关性等问题亟待解决，如何提取出数据的深层次特征往往决定了分类结果的好坏。针对高光谱图像的特征提取，学者们已经提出了很多针对性的算法，例如基于主成分分析的线性降维、基于流行学习的非线性降维及支持向量机等方法。然而，这些方法所提取的特征往往局限于一个相对较浅的特征层次，因此其分类结果难以提升。随着深度学习技术的发展，基于深度神经网络的高光谱图像特征提取是近年来机器学习领域的研究热点。一般来说，通过构建适合于高光谱图像的深度神经网络，并通过微调的方式来训练网络参数使其达到最优。深度神经网络往往可以提取出更加抽象更易于分类的特征，从而可以实现高准确率的分类目标。 论文结合高光谱图像的光谱空间信息，研究卷积神经网络和残差密集网络两种深度学习方法的理论知识及其在高光谱图像上的应用，主要研究内容如下: (1)基于高光谱图像空间边缘联合信息与深度卷积神经网络的特征提取与分类。在该方法中，首先对高光谱图像进行了数据扩增以及去噪处理，然后利用最小噪声处理方法来提取空间信息，并利用双边滤波器提取边缘信息，进而将两种信息结合在一起产生新的、预处理过的高光谱图像。通过对预处理过的高光谱图像的训练测试，在传统的卷积神经网络模型中做出一些针对性的改进，包括改变采样窗口的大小、加入Dropout层、以及通过微调的方式改变层数及卷积核大小等参数，最后利用该卷积神经网络模型来实现高光谱图像的空间与边缘特征提取。在两个公开数据集Salinas和Indian Pines上的实验结果表明:模型的分类能力优于一些传统的算法和其它模型，从而验证了该方法的有效性。 (2)提出了基于残差密集网络的高光谱图像分类模型。根据残差网络和密集连接网络的特点，将残差网络与密集连接网络结合起来组成残差密集网络，并在此基础上引出三维残差密集网络。该网络既能重复利用每一层的特征，又能训练很深的网络。实验中，首先根据高光谱图像高维度、数据量大的特性，建立一个初始化的三维残差密集网络模型。然后将切割成数据块形式的高光谱图像输入其中。通过实验不断优化该模型，最终确定最优的高光谱图像分类模型，从而实现高光谱图像的光谱和空间特征的有效提取。最后实验在两个数据集Indian Pines和PaviaU上的结果证明了该方法确实有效的提升了高光谱图像的分类精度。 综上所述，论文提出的基于深度学习的方法能够更深层次的挖掘高光谱图像的光谱和空间特征信息，因此相对于传统基于浅层神经网络和手工计算特征的分类算法，其分类性能取得了较大的提升。