利用胶囊网络实现高光谱影像空谱联合分类.docx

"胶囊网络在高光谱影像分类中的应用" 高光谱影像是一种同时包含丰富的空间和光谱信息的图像，广泛应用于矿岩探测、精细农业、军事侦察等领域。高光谱影像分类是高光谱影像处理与分析中的关键技术之一，其目的是为每个影像像素确定唯一的地物类别。传统算法如逻辑回归、随机森林和最近邻分类器等被应用于高光谱影像分类，但是这些方法难以取得令人满意的分类效果。 近年来，随着深度学习的兴起和不断发展，栈式自编码器、深度置信网络和循环神经网络等深度模型被应用于高光谱影像分类，并取得了一定效果。然而，上述方法均无法直接处理呈二维的图像结构，均需要通过一定的预处理步骤将高光谱数据转换成一维向量作为模型输入。 卷积神经网络（convolutional neural network，CNN）利用其独特的卷积运算能够直接处理高维的二维图像数据，具有良好的特征提取能力。因此，利用 CNN 进行高光谱影像分类已经成为近年来的研究热点。目前，基于 CNN 的高光谱影像分类方法可分为 3种：基于一维（1 dimensional，1D）-CNN 的分类方法、基于二维（2 dimensional，2D）-CNN 的分类方法和基于三维（3 dimensional，3D）-CNN 的分类方法。 然而，CNN 在诸多计算机视觉任务中已经取得了优异表现，但其仍然存在固有缺陷。CNN 中，神经元的输入输出均为标量，特征表达能力受到限制。同时，CNN 依靠池化操作实现一定程度的平移不变性。然而，这种机制使得 CNN 模型无法对特征对象的实例化参数进行建模，只能以标量输出的大小表示特征存在的概率而无法对特征之间的空间关系进行建模。 胶囊网络（Capsule Network）是一种新型的神经网络模型，它能够对特征对象的实例化参数进行充分建模。胶囊网络中的每一个胶囊神经元均为向量输入输出，这极大地提高了神经元的特征表达能力。因此，胶囊网络能够在更高层次上对高光谱影像中的空谱联合信息进行更为抽象的表达。 本文以胶囊网络为基础，设计了一种适用于高光谱影像分类的新型网络模型。该模型由传统卷积层、胶囊层和全连接层组成，具有更强的特征表达能力。实验结果表明，本文网络模型的分类性能优于传统算法和 CNN 分类模型，且在进一步减小训练样本数量和像素邻域的条件下体现出更好的适应性。 胶囊网络的应用在高光谱影像分类中提供了一种新的思路，能够更好地利用高光谱影像中的空间和光谱信息，提高分类精度。同时，胶囊网络也可以与迁移学习、主动学习、半监督分类等其他方法相结合，以获得更好的分类效果。