融合光谱滤波的高光谱图像分类深度网络

摘要：

目前,大量深度学习方法被用于提取超光谱图像特征来完成像素点分类任务.这些超光谱图像虽然经过一系列前期处理,但是仍然包含很多噪声,噪声同时存在于光谱域和空间域.由于这些方法在提取图像深层特征时大多只进行了空间域去噪处理,没有进行光谱域噪声的滤除,最终获得的像素点深度特征中带有噪声,降低了分类精度.结合分类效果出色的空谱学习网络(spectral-spatial network,SSN),提出两种融合光谱域滤波的深层特征学习模型——Saviztky-Galoy滤波空谱学习网络(SG-SSN)和中值滤波空谱学习网络(MF-SSN).两个模型首先分别对图像光谱域进行SG滤波和中值滤波,接着对滤波后的图像使用SSN学习图像深层特征.在两个标准数据集上,使用总体精度(overall accuracy,OA)、平均精度(average accuracy,AA)以及Kappa系数度量分类效果,发现融合光谱滤波的SG-SSN和MF-SSN模型能有效提升空谱学习网络的分类精度.利用实验比较和分析了深层特征学习中模型层数对模型性能的影响.

关键词：超光谱图像、SG滤波、中值滤波、空谱网络(SSN)

所属期刊栏目：12

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No. 61773224;the Natural Science Foundation of Inner Mongolia of China under Grant No. 2016ZD06;the Higher Education Scientific Research Project of Inner Mongolia under Grant No. NJZY14128

在线出版日期：2018-12-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1806-1814