CNN在高光谱数据分类中的实验 .docxVIP

PAGE PAGE 1 CNN在高光谱数据分类中的实验 13.3.3.1试验数据简介 本试验用到的高光谱数据库为Indian Pines。此数据库场景的拍摄内容为位于美国的印第安纳州西北部的Indian Pines测试区域，地表笼罩类型混合了林地、道路、农田、房屋建造等：标志的样本分布不均衡，并且部分类别样本较少。各种农作物基本都处于生长初期，对地表的林冠笼罩程度惟独5%，裸地和作物残渣对植被像元分类影响显然。Indian Pines图像大小为145×145像素，波长范围为0.4～2.5um, 220个波段，空间辨别率为20m，去除坏波段和水体汲取的波段，实验中用法200个波段，13-23所示：图13-23a表示Indian Pines数据灰度图像；图13-23b表示其对应的地面真值。此场景中主要内容为自然制备，其中60％以上为农业场景，30％以上为森林场景和其他常年自然植被，共包含地物信息16类，见表13-1。13.3-3.2建立CNN模型1．数据预处理Indian Pine，共10249个样本，首先选出标签不为0的数据，然后将数据根据各属性归一化到0～1。样本维度为200，将其改变为二维数组20×10，随机选取80％作为训练，20%作为测试。标签1～16采纳one-hot编码，例如1(1000000000000000)、2(0100000000000000)，以此类推。图13-23 Indian Pines 数据及地面真值表13-1 Indian Pines数据含有的类别及样本数量2. CNN模型的参数设置CNN模型的参数选取见表13-2。表13-2 CNN模型参数选取3．试验结果根据表13-2所设置的参数，CNN模型对Indian Pines举行试验，分类的精确?????率为91.4％。4．模型对照采纳SVM模型做对照，损失函数采纳e-SVR，核函数中的degree设置(针对多项式核函数)设置为2, n-fold交互检验模式中的n设置为2，其余参数均为默认参数。试验分类精确?????率为89.5%。通过对照可以看出，CNN模型的分类精确?????率高，所以CNN模型更好。