基于超像素樣本擴(kuò)充的空譜全卷積高光譜圖像分類方法
本成果提出的基于超像素樣本擴(kuò)充的空譜全卷積高光譜圖像分類方法有效的利用高光譜圖像的超像素分割結(jié)果指導(dǎo)偽樣本擴(kuò)充增加了訓(xùn)練集樣本數(shù)量,解決了高光譜圖像有標(biāo)記樣本的稀缺問題,同時(shí)空譜的全卷積分類網(wǎng)絡(luò)也充分利用了多尺度的空間特征和光譜特征實(shí)現(xiàn)了較高的分類精度。
成果非涉密,專利申請(qǐng)已經(jīng)提交。
實(shí)驗(yàn)采用反射光學(xué)系統(tǒng)成像光譜儀(ROSIS)傳感器獲取意大利北部帕維亞大學(xué)(Pavia University)的高光譜圖像數(shù)據(jù)。該數(shù)據(jù)集由 103 個(gè)光譜帶組成,共 610×340 像素,光譜覆蓋范圍從 430nm 到 860nm,空間分辨率為 1.3m。該數(shù)據(jù)集一共含有 9 個(gè)類別的 42776個(gè)有標(biāo)記樣本,選取每類 30 個(gè)有標(biāo)記樣本作為訓(xùn)練集,其余作為測(cè)試集。
由下表可以看出,在每類選取 30 個(gè)樣本的情況下,本 模 型 的 OA,AA,Kappa系 數(shù) 比 DFFN 模 型 高 出20.8%,17.4% 和 26.5%;比CNN 高 出 23.1%,18.8% 和29.2%。并且下表證明了使用了偽標(biāo)簽樣本擴(kuò)充的空譜全卷積網(wǎng)絡(luò)的本方法在小樣本情況下每個(gè)類的分類準(zhǔn)確性均優(yōu)于 DFFN 和 CNN,達(dá)到了較好的分類效果。
表 1 PaviaU 數(shù)據(jù)集上對(duì)比實(shí)驗(yàn)結(jié)果
西安電子科技大學(xué)
2023-03-03