联合局部二值模式的CNN高光谱图像分类

编号 zgly0001715770

文献类型 期刊论文

文献题名 联合局部二值模式的CNN高光谱图像分类

作者 魏祥坡  余旭初  张鹏强  职露  杨帆 

作者单位 信息工程大学 

母体文献 遥感学报 

年卷期 2020年08期

年份 2020 

分类号 TP391.41  TP183 

关键词 遥感  高光谱图像  分类  卷积神经网络  深度学习  局部二值模式 

文摘内容 卷积神经网络CNN (Convolutional Neural Networks)具有强大的特征提取能力,应用于高光谱图像特征提取取得了良好的效果,双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征,并实现了特征的决策级融合。局部二值模式LBP(Local Binary Patterns)是一种简单但有效的空间特征描述算子,能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力,提出一种双通道CNN和LBP相结合的高光谱图像分类方法,首先,采用1维CNN(1D-CNN)模型处理原始高光谱数据提取深层光谱特征,同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征,然后,将两个CNN模型的全连接层进行连接,实现深层光谱特征和空间特征的融合,并将融合特征输入到分类层中完成分类。实验结果表明,该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度,甚至在有限数量的训练样本条件下也能取得较好的分类效果。