变异系数降维的CNN高光谱遥感图像分类

编号 zgly0001589925

文献类型 期刊论文

文献题名 变异系数降维的CNN高光谱遥感图像分类

作者 张康  黑保琴  周壮  李盛阳 

作者单位 中国科学院空间应用工程与技术中心  中国科学院太空应用重点实验室  中国科学院大学 

母体文献 遥感学报 

年卷期 2018年01期

年份 2018 

分类号 TP751 

关键词 卷积神经网络  深度学习  变异系数  高光谱遥感图像  分类 

文摘内容 为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。