基于深度卷积神经网络的高光谱遥感图像分类

摘要：

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用.为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型.通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练.高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性.

关键词：高光谱遥感图像、卷积神经网络、特征提取、logistic回归分类器、分类精度、可行性、有效性

所属期刊栏目：36

分类号：TP391.41(计算技术、计算机技术)

资助基金：水资源与水电工程科学国家重点实验室开放基金资助项目2014SWG04;国土资源部地学空间信息技术重点实验室开放基金KLGSIT201411;广西空间信息与测绘重点实验室开放基金140452413、GKN120711516

在线出版日期：2017-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：13-20