摘要
高光谱图像具有数据量大、波段多和波段间相关性强等特性,传统高光谱分类方法通常单独考虑光谱和空间信息,特征提取不充分,忽略了图像纹理构造和重要光谱信息.针对这些问题,提出一种基于卷积神经网络(convo-lution neural network,CNN)的高光谱分类方法.该方法基于三维CNN(3D CNN),处理多尺度空谱数据,并对双重注意力机制进行改进,提出光谱注意力机制;其次,采取跨层特征融合和多通道特征提取策略,进一步提高地物分类精度.选取"高分五号"卫星拍摄的2 景影像共6043 个样本作为实验数据,并将提出的方法与支持向量机(sup-port vector machine,SVM),一维CNN(1D CNN),二维CNN(2D CNN),3D CNN和残差网络(residual network,Res-Net)进行比较分析.结果表明,所提方法的总体精度(overall accuracy,OA)和Kappa系数均有显著提高,OA值均达到95％以上.其中,OA在江苏南通地区数据集上达到了95.84％,较SVM,1D CNN,2D CNN,3D CNN和ResNet方法分别提高了21.54,21.71,7.28,3.94,2.56 百分点.
基金项目
国家自然科学基金(41671431)
上海市科委市地方能力建设项目(19050502100)
国家海洋局数字海洋科学技术重点实验室开放基金(B201801034)
维普
万方数据