基于复杂度聚类的自适应遥感场景分类

摘要

遥感图像场景分类任务较普通图像分类任务的特征范围更广且分布更复杂,难以实现精准分类.针对遥感图像特征分布与神经网络结构存在一定适应性关系的情况,提出一种利用复杂度适配聚类的自适应神经网络遥感场景分类模型.构建含有颜色矩、灰度共生矩阵、信息熵、信息增益、线占比等多重特征的遥感图像复杂度评价矩阵,通过计算图像相似性得到不同复杂度的图像子集,采用层次聚类方式将图像复杂度分为高、中、低等级,并分别使用DenseNet、CapsNet和SENet神经网络对复杂度适配的图像子集进行训练,最终获得自适应遥感场景分类模型.实验结果表明,与DenseNet、CapsNet、SENet等模型相比,该模型能更有针对性地提取不同复杂度的图像特征,具有更高的遥感场景分类准确率.