小样本下基于空谱特征增强的高光谱图像分类.docx

"高光谱图像分类_METHODS.txt" 高光谱图像分类是遥感领域中的一个热门研究方向，高光谱图像包含丰富的空间和光谱信息，极高的光谱分辨率提高了地物区分的能力，因此高光谱图像被应用在很多领域。高光谱数据分析处理的一个重要的基本内容就是分类，即为每一个像素确定其唯一的类别。分类是研究人员从高光谱影像中获取信息的主要方式。然而，高光谱图像信息冗余、光谱维度高、训练样本有限，这意味着高光谱图像分类还面临着一系列巨大的挑战。 传统的机器学习方法已经应用于高光谱图像分类，主要有支持向量机、稀疏表示、多项式逻辑回归等。这些传统的方法都取得了很好的性能，但是他们都是基于浅层特征进行学习分类的，而且依赖手动设计分类特征，难以学习到高光谱图像中更复杂的信息。 近年来，由于深度学习具有较强的特征提取能力和高效信息处理能力。研究者们开始将深度学习方法用于高光谱图像分类中。Chen 等首次将深度学习理论应用到高光谱图像分类中，利用堆叠式自动编码器对高光谱图像进行空谱特征提取，取得了很好的效果。 Yu 等将卷积神经网络应用在高光谱图像分类中，为卷积神经网络在高光谱图像分类中的应用提供了一种思路，但该方法仅利用光谱信息，没有考虑到相邻像元间的关系。Chen 等提出了三维卷积神经网络特征提取模型，直接用高光谱图像端到端地提取光谱空间特征，相比于二维卷积神经网络提取的特征有着更高的类间可区分性，从而达到更好的分类效果。 Amina 等采用三维卷积神经网络对高光谱图像进行分类，在训练样本数目较多的情况下，能取得很好的效果。虽然卷积神经网络相比传统机器学习在高光谱图像分类中取得了比较好的效果。但是当构建更深层次网络对空谱信息进行深度提取时，网络的性能并没有随层数的加深而提高，反而发生了退化。 所以很多学者利用残差网络对高光谱图像进行分类处理。刘冰等用三维残差网络对高光谱图像进行分类，缓解了由于网络加深引起的梯度消失的问题，增强了网络的特征表达能力。郭文慧等利用残差网络构造多尺度卷积网络，通过不同尺度卷积核对特征提取融合，取得了良好的分类性能。 Zhong 等设计了光谱空间残差网络，连续利用光谱残差网络模块和空间残差网络模块对光谱和空间进行特征提取进而分类。基于残差网络的高光谱图像分类方法解决了网络层数加深引起的梯度消失问题。但是当训练样本减少时，上述方法的分类准确度均出现了不同程度的下降。 在实际生活中，已知类别的样本是有限的。所以针对上述问题，本文将光谱和空间特征增强模块与浅层三维卷积神经网络结合用相对少量的参数充分提取高光谱的空谱特征，为了避免小样本情况下训练过拟合的问题，网络中还使用了批量归一化等正则化策略。实验表明，该模型充分利用了高光谱图像的空谱特征，在有限的标记样本下表现出好的分类效果。 空谱特征增强的分类方法主要包括三维卷积神经网络、残差网络、批量归一化等技术。其中，三维卷积神经网络是将卷积神经网络应用于高光谱图像分类中的一种方法，能够同时提取高光谱图像的光谱和空间特征。残差网络是一种深度学习技术，能够解决网络层数加深引起的梯度消失问题。批量归一化是一种正则化技术，能够避免小样本情况下训练过拟合的问题。 高光谱图像分类是一个复杂的问题，需要结合实际应用场景选择合适的分类方法。空谱特征增强的分类方法是高光谱图像分类的一个有前途的方向，能够充分利用高光谱图像的空谱特征，提高分类的准确性。