基于改进U-Net的高光谱农林植被分类方法

摘要

针对高光谱图像中的“同谱异物”和“同物异谱”现象导致传统机器学习方法难以精确区分,以及深度学习模型处理高维遥感数据耗时较长的问题,本文以河北省雄安新区雄县雄州镇马蹄湾村19种土地覆被类型(农林植被为主)为研究对象,提出一种基于改进U-Net的高光谱农林植被分类方法。该方法以U-Net为基础框架,首先利用主成分分析(Principal Component Analysis,PCA)提取主要光谱波段,降低光谱冗余度;然后提出特征提取模块,该模块使用深度可分离卷积替代U-Net中的传统卷积,提取高光谱图像多尺度特征,降低网络复杂度,并采用非线性更好的h-swish(hard-swish)激活函数提升网络的泛化性能;最后在每个特征提取模块中引入残差连接提取深层次语义信息。结果表明,改进的U-Net对19种覆被分类的整体精度为96.68%,与Mobile-UNet、U-Net、Res-UNet相比,精度分别提高了4.47%、2.92%、0.45%,训练时间较分类精度相近的Res-UNet减少了23.5%。由此可知,残差连接提升了网络分类精度,使模型在描述植被边缘和细节方面表现良好;深度可分离卷积使模型轻量化,减小训练时间;改进的U-Net模型能够准确、快速地对研究区的农林植被进行区分。