36、高光谱图像分类与乳腺癌检测的创新方法

高光谱图像分类与乳腺癌检测的创新方法

高光谱图像分类的3D CNN架构

在高光谱图像分类（HSIC）领域，众多研究不断推进技术发展。一些学者提出了不同的方法，如Chen等人将逻辑回归作为激光雷达（LIDAR）和高光谱（HS）图像组合数据的最终分类器；Lee等人提出了一种上下文深度卷积神经网络（CNN），通过同时提取不同大小的多个三维局部卷积特征，联合利用HS图像的空间和光谱特征；Hamida等人则提出了一个3D CNN原型，以促进对HS图像的空间和光谱特征进行联合研究。

本文提出了一种使用残差块的新型3D CNN架构用于HSIC。残差块的作用是保留早期卷积层的特征，通过使用四个残差块来融合原始和抽象信息，从低级和高级抽象中学习空间 - 光谱特征，从而实现强大的性能。

每个高光谱图像中的像素可看作一个包含空间和光谱数据的立方体，其结构为1×1×S，其中1×1是空间数据维度，S是连续的窄光谱带，这些光谱带在HS图像中以多个通道进行数字表示。

3D卷积特征（3DCF）的计算通过以下公式实现：
- (3DCF(HSIS) = w4(w3(w2(w1(HSIS)))))
- (w1(z) = ap_{1,1,3}(j_{20,1,1,1}(\lt(j_{20,3,3,3} * z))))
- (w2(z) = ap_{1,1,3}(j_{30,1,1,1}(\lt(j_{35,3,3,3} * z))))
- (w3(z) = j_{35,1,1,1}(\lt(j_{35,1,1,3} * z)))
- (w4(z) = j_{35,1,1,1}(\lt(j_{35,1,1,2} * z)))

其中，