改进3D-CNN的高光谱图像地物分类方法

作者：郑宗生; 刘海霞; ***; 卢鹏; 沈绪坤; 唐鹏飞

来源：自然资源遥感, 2023, 35(02): 105-111.

• 高光谱图像
• 地物分类
• 三维卷积神经网络
• 注意力机制
• 特征融合

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(convolution 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6 043个样本作为实验数据，并将提出的方法与支持向量机(support vector machine, SVM),一维CNN(1D CNN),二维CNN(2D CNN),3D CNN和残差网络(residual network, ResNet)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。

• 单位
  上海海洋大学