基于CNN的双边融合网络在高光谱图像分类中的应用.docx

"基于CNN的双边融合网络在高光谱图像分类中的应用" 本文探讨了基于CNN的双边融合网络在高光谱图像分类中的应用。高光谱图像（HSI）由于其数百条光谱波段，为地物信息的识别与分类提供了极为丰富的光谱信息。然而，高光谱图像复杂的空间、光谱特征分布成为困扰高光谱图像分类的主要问题。 传统的方法基于手工特征和浅层模型，但这些方法大多高度依赖专家知识，且泛化力差，难以提取具有代表性的判别特征。深度学习是目前最热门的算法之一，它可以自动从原始输入数据中由浅到深地提取特征，其学习过程完全自动化，且适应力强。 在高光谱图像分类中，Chen 等将深度学习引入高光谱图像分类算法中，构建了一种基于堆叠自编码器的深度模型来提取高级特征。Liu 等提出一种利用深度置信网络提取特征，再结合主动学习对这些特征进行迭代的分类框架。 然而，研究证明，将空间特征合并到分类器中会进一步提升分类精度。因此，许多研究者将目光转向了在图像识别领域具有核心地位的深度卷积神经网络（CNN）。Zhong 等设计了一种以原始的三维立方体作为输入数据的端到端光谱空间残差网络。Feng 等设计了一个 3D-2D 深度卷积神经网络（CNN）模型，利用残差学习和深度可分离卷积来学习深层次光谱空间特征。 但是，这些方法往往需要在反卷积前设置最大池化层来去除冗余，减少计算负担，但最大池化层同样会带来特征丢失的问题，以往的方法往往无法有效克服这种信息丢失，从而导致最终分类结果下降。 为了解决这些问题，本文提出了一种双边融合块网络（DFBN）对高光谱图像进行分类。DFBN 由上下 2 个结构组成，常规卷积、转置卷积、上采样和最大池化层为下结构，1×1 卷积层和超链接为上结构。下结构负责对更具代表性判别特征进行强化处理，上结构负责传递被丢失的局部空间联系性信息。所有结构共同作用，以达成更高效的分类精度。 双边融合块网络高光谱分类框架的总体流程为：首先应用主成分分析法（PCA）抽象出高光谱图像中最具有信息量的波段子集；然后建立以标记像素为中心的图像块，并传送给双边融合块网络进行训练；最后对待测像素的标签进行预测。其中，双边融合块网络主体由双边融合块、全连接以及 sigmoid 分类函数构成，双边融合块的个数与高光谱图像的复杂程度相关。