基于多尺度卷积神经网络的高光谱图像分类

刘 娜，宋 娟，董 丽，尤洪峰

(1. 青岛黄海学院智能制造学院，山东青岛 266427；2. 新疆大学 信息科学与工程学院，新疆乌鲁木齐 830000)

1 引言

高光谱图像(HSIs)在每个像素中包含数百个波段。由于高光谱图像光谱的丰富性，它们被广泛用于农业[1]、林业[2]和城市分区等[3]。丰富的波段给HSIs图像带来了足够的特征的同时也产生了许多冗余特征。最近，研究人员提出了一些新的方法来解决冗余特征。聂飞平[9]等提出了一种特征自动加权模型，使得冗余特征最小化。Ayinde等人[10]通过为不同的冗余特征建立相对余弦距离，最终消除了大量冗余特征并降低了模型计算成本。主成分分析(PCA)在消除冗余特征方面起着重要作用[11-14]，并且它不受参数设置的影响，所以选择了PCA模型做特征预处理。小样本HSIs也是特征挖掘和分类中的一个难题。为了更好地实现高光谱图像的小样本分类，研究者们做了大量的研究，如支持向量机(SVM)[4]，条件随机场(CRF)[5]，k最近邻(KNN)[15]，基于聚类[16]等。然而，上述方法对挖掘高维特征不够充分。近年来，深度学习由于其强大的特征学习和分类能力，在图像分类方面取得了越来越大的成就[17]。为了更好地挖掘高维特征，Mesut Salman[6]等人使用AlexNet提取高光谱图像的形态特征，并通过形态特征来加强特征间的空间关系；Mercedes E.Paoletti等人[7]提出了一种残差神经网络(ResNet)，逐步增加卷积维数，最终实现冗余特征的消除。Gefei Yang 等人[8]提出了一种双通道稠密卷积网络(DenseNet)来提取高光谱图像的光谱特征和空间特征，并通过充分利用多种特征进一步提高了图像分类的精度。……