基于深度学习的高光谱影像典型地物分类方法研究.pdfVIP

基于深度学习的高光谱影像典型地物分类方法研究

中文摘要

（作者：王昱淞指导教师：潘军）

随着国产高光谱卫星的发射和无人机高光谱遥感的快速发展，人们能够更加方便的获

取大量的高光谱遥感影像，这些影像也被广泛地应用于国民经济领域和军事领域。高光谱

影像分类技术是进一步应用这些高光谱影像的基础，但高光谱影像中人工采集标记样本通

常费时费力，因此可用于监督训练的标记样本数量较少。为此，本文主要研究在缺乏标记

样本的情况下如何更好地利用深度学习方法来提高高光谱影像典型地物的分类识别精度。

本文的主要研究成果如下：

（1）针对高光谱影像数据维度高的特点，探索了基于注意力机制的高光谱影像自动

波段选择方法，具体地在全连接网络中引入注意力机制来描述不同波段的重要性，然后基

于重构误差训练整个模型学习不同波段的重要性，进而根据重要性选择出若干个波段。所

设计的方法以无监督的方式训练深层网络模型进行波段选择，因此，无需任何人工标记信

息。总体分类精度与ISSC、SpaBS、MVPCA和MOBS方法相比，基于深度学习的波段

选择方法（FC-BSNet）在Pavia大学数据上分别提高了9.26%、7.36%、9.45%、2.59%，

在Salinas数据上分别提高了7.47%、1.26%、7.06、0.81%。

（2）在波段选择的基础上，基于迁移学习思想，利用ImageNet预训练好的深度卷积

神经网络模型来提取高光谱影像的空间特征，进一步采用支持向量机等分类器完成分类任

务。分类试验结果表明本文所提出的方法能够快速地提取高光谱影像的特征，且所提取特

征能够有效提高高光谱影像的分类精度。两组数据上的分类试验表明，基于ResNet18的

特征提取方法与SVM、3D-CAE、3D-CNN、CNN-PPF等方法相比，总体分类精度提升

1%以上。

（3）为了更好地利用高光谱影像的空-谱信息来提高分类精度，研究了基于多粒度扫

描的空-谱特征融合处理方法，进一步采用深度随机森林完成分类。本文所提出的方法仅

需要少量的标记信息就能够获得较好的分类结果，有效地缓解了高光谱影像分类面临的缺

乏标记样本问题。试验结果表明，采用多粒度扫描和深度随机森林的分类方法在两组高光

谱影像上总体分类精度能够比Resnet18+SVM方法提升0.27%和0.40%。

关键词：

高光谱影像分类，深度学习，卷积神经网络，迁移学习，多粒度扫描，深度随机森林

Researchonclassificationmethodoftypicalobjectofhyperspectralimagebased

ondeeplearning

Abstract

（Author：YusongWangTutor:JunPan）

WiththelaunchofdomestichyperspectralsatelliteandtherapiddevelopmentofUAV

hyperspectralremotesensing,peoplecanmoreeasilyobtainalargenumberofhyperspectral

remotesensingimages,whicharealsowidelyusedinthefieldofnationaleconomyandmilitary.

Hyperspectralimageclassificationtechnologyisthebasisforfurtherapplicationofthese

hyperspectralimages.However,manualacquisitionoflabeledsamplesinhypersp