基于深度卷积神经网络的高光谱遥感图像分类---PCA+2D-CNN(伪空谱特征)

论文地址

 

基于深度卷积神经网络的高光谱遥感图像分类

西华大学学报

同时利用高光谱图像的光谱信息和空间信息的深度卷积神经网路分类模型。基于深度学习到的深度特征，用逻辑回归分类器进行分类训练。

高光谱图像面临的挑战：

Hughes现象：在高光谱遥影像中，当训练样本数目有限时，分类精度随着图像波段数目的增加先增加，在达到一定极值后，分类精度随着波段数目的增加而下降。

同物异谱

异物同谱

现有方法：随机森林、决策树、神经网络、支持向量树

我的方法：fcn_2d、fcn_3d、3D_CNN、2D_CNN、unet这5种方法，目前已知cnn是用来做图像分类的，而剩下三种都是做图像分割的，这个转化，还是需要说清楚的。Pixel to pixel像素级别的方法

传统方法只考虑光谱信息，未考虑到空间信息（相邻的像素很有可能属于同一类）

提取光谱：

提取空间特征：Gabor纹理特征、灰度共生矩阵、小波变换特征提取、支持向量机….

提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。 该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；然后利用深度卷积神经网络对输入的样本进行空间特征提取；最后通过学习到的高级特征进行逻辑回归训练。

深度卷积网络：

包括卷积层、下采样（downsample）、全连接层、softmax分类器、激活函数

在FCN中还有上采样（upsample），是对应的，下采样包括meanpooling（均值采样）、maxpooling（最大池化采样）、overlapping（重叠采样）、L2pooling（均方采样）、Localcontrsatnormalization（归一化采样）、stochasticpooling（随机采样）、def-pooling（形变约束采用）

上采样的有两种，目前采用的就是比较简单的又放回抽样，每次成倍增加样本数量。

核心思想就是将稀疏连接、权值共享以及池采样这三种思想结合起来，从而获得某种程度上的位置、尺度、形变的不变性。对输入数据在空间和时间上有很强的鲁棒性。卷积层完成特征提取，使特征信号增强，并降低噪声，下采样利用局部图像相关性原理对图像进行自抽样，减少数据维度的同事有保留有用信息。

数据预处理：二维输入，提取主要的光谱信息，高光谱数据的内在数据结构为三维张量，为了与DCNN的输入保持一致，必须将高光谱图像分解成patches，其中每个patch包含一个特定像素的光谱和空间信息，将所获得的包含特定像素的光谱和空间信息patches作为DCNN的输入，然后利用DCNNS分层构建高级特征。

模型结构：

实验结果及分析：

The University of Pavia数据集

610*340像素

空间分辨率是1.3m/pixel，共包含115个波段，其波长范围为0.43到0.86，但由于噪声和大气吸收等因素，12个波段被剔除，103个波段被保留。包括9个类别。

其中9%为训练样本，剩余的标记数据作为测试集。

从103个波段中提取3个波段作为光谱特征，这3个波段至少包含了98%的原始图像的信息。（感觉这一下子变成了三基色的图像，没什么区别了）

实验评价指标：

总体精度OA：正确分类样本的百分比

平均精度AA：每类中正确分类样本的百分比的平均值

KAPPA系数（k）：判断图像一致性的程度

可视化卷积过程

迭代次数和精度之间的关系

混淆矩阵