基于改进的3D-CNN的高光谱遥感图像地物分类

摘要

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.