基于深度卷积神经网络的高光谱遥感图像分类---PCA+2D-CNN(伪空谱特征)_基于卷积神经网络的高光谱图像分类_Kun Li的博客-程序员宅基地

技术标签：深度学习处理遥感影像 cnn 深度学习分类

论文地址

基于深度卷积神经网络的高光谱遥感图像分类

西华大学学报

同时利用高光谱图像的光谱信息和空间信息的深度卷积神经网路分类模型。基于深度学习到的深度特征，用逻辑回归分类器进行分类训练。

高光谱图像面临的挑战：

Hughes现象：在高光谱遥影像中，当训练样本数目有限时，分类精度随着图像波段数目的增加先增加，在达到一定极值后，分类精度随着波段数目的增加而下降。

同物异谱

异物同谱

现有方法：随机森林、决策树、神经网络、支持向量树

我的方法：fcn_2d、fcn_3d、3D_CNN、2D_CNN、unet这5种方法，目前已知cnn是用来做图像分类的，而剩下三种都是做图像分割的，这个转化，还是需要说清楚的。Pixel to pixel像素级别的方法

传统方法只考虑光谱信息，未考虑到空间信息（相邻的像素很有可能属于同一类）

提取光谱：

提取空间特征：Gabor纹理特征、灰度共生矩阵、小波变换特征提取、支持向量机….

提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；然后利用深度卷积神经网络对输入的样本进行空间特征提取；最后通过学习到的高级特征进行逻辑回归训练。

深度卷积网络：

包括卷积层、下采样（downsample）、全连接层、softmax分类器、激活函数

在FCN中还有上采样（upsample），是对应的，下采样包括meanpooling（均值采样）、maxpooling（最大池化采样）、overlapping（重叠采样）、L2pooling（均方采样）、Localcontrsatnormalization（归一化采样）、stochasticpooling（随机采样）、def-pooling（形变约束采用）

上采样的有两种，目前采用的就是比较简单的又放回抽样，每次成倍增加样本数量。

核心思想就是将稀疏连接、权值共享以及池采样这三种思想结合起来，从而获得某种程度上的位置、尺度、形变的不变性。对输入数据在空间和时间上有很强的鲁棒性。卷积层完成特征提取，使特征信号增强，并降低噪声，下采样利用局部图像相关性原理对图像进行自抽样，减少数据维度的同事有保留有用信息。

数据预处理：二维输入，提取主要的光谱信息，高光谱数据的内在数据结构为三维张量，为了与DCNN的输入保持一致，必须将高光谱图像分解成patches，其中每个patch包含一个特定像素的光谱和空间信息，将所获得的包含特定像素的光谱和空间信息patches作为DCNN的输入，然后利用DCNNS分层构建高级特征。

模型结构：

实验结果及分析：

The University of Pavia数据集

610*340像素

空间分辨率是1.3m/pixel，共包含115个波段，其波长范围为0.43到0.86，但由于噪声和大气吸收等因素，12个波段被剔除，103个波段被保留。包括9个类别。

其中9%为训练样本，剩余的标记数据作为测试集。

从103个波段中提取3个波段作为光谱特征，这3个波段至少包含了98%的原始图像的信息。（感觉这一下子变成了三基色的图像，没什么区别了）

实验评价指标：

总体精度OA：正确分类样本的百分比

平均精度AA：每类中正确分类样本的百分比的平均值

KAPPA系数（k）：判断图像一致性的程度

可视化卷积过程

迭代次数和精度之间的关系

混淆矩阵

本文链接：https://blog.csdn.net/u012193416/article/details/79326459

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

1.8.3.串口输出和按键消抖_使用74hc165判断按键需要去抖吗_ben跑的蜗牛的博客-程序员宅基地

朱老师笔记1.8.3.1、基于串口标准输出的按键调试(1)以之前的串口stdio的工程为基础来移植添加轮询方式按键处理。(2)注意USB下载方式可能有错误（有可能不下载，也有可能下载了执行不对），解决方案是用SD卡启动来替代。1.8.3.2、什么是按键消抖(1)按键这种物理器件本身会有抖动信号，抖动信号指的是在电平由高到低（也就是按键按下时）或者电平由低到高（也就是按键弹起时）_使用74hc165判断按键需要去抖吗

php学习报告_论坛PHP报告_culi4814的博客-程序员宅基地

php学习报告Forum PHP is an annual PHP conference in Paris, France. This year, I was invited as a speaker and talked about work automation with some interesting tools and libraries. 论坛PHP是在法国巴黎举行的年度PHP会议 ..._php项目报告论坛

RabbitMQ教程-程序员宅基地

安装好RabbitMQ之后：我们就可以进行代码编辑了简单队列：添加依赖：P：消息的生产者C：消息的消费者红色：队列生产者将消息发送到队列，消费者从队列中获取消息。（1）添加依赖：<dependency> <groupId>com.rabbitmq</groupId> <artifactId>a......

Neither BindingResult nor plain target object for bean name 'command' available as request attribute_weixin_30399155的博客-程序员宅基地

最近用JSR303在表单提交时使用Java Bean Validation验证数据。报错堆栈如下：java.lang.IllegalStateException: Neither BindingResult nor plain target object for bean name 'command' available as request attribute at ..._bean name available as request attribute

mybatis插入多条数据_海阔天空BM的博客-程序员宅基地

https://www.cnblogs.com/tangshengwei/p/12308221.htmlhttps://blog.csdn.net/xyf13920745534/article/details/101719049?utm_medium=distribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~default-1.pc_relevant_paycolumn_v3&spm=1001.2101.3001._mybatis插入多条数据

mfc使用ado连接数据库_mfc ado类_易安君的博客-程序员宅基地

1.设置数据源打开控制面板--->系统和安全--->管理工具--->ODBC Data Sources(32 bit)这里需要注意的是，vc6.0是32位的，因此这里的数据源也必须是32位的，否则是连接不上的，这里我使用的是ACCESS数据库，数据源的配置如下：2.创建包含数据库的MFC对话框（其它也可以）工程，新建ADOConn类在工程中我们需要新建一个普通类ADOConn然后在ADOConn类头文件中加入以下导入声明和变量、函数声明：ADOConn._mfc ado类

随便推点

IO进阶之高级IO_路溪非溪的博客-程序员宅基地

高级IO_高级io

Linux下 libstdc++.so.6: version `GLIBCXX_3.4.20' not found解决办法_libstdc++.so.6(glibcxx_3.4.20)(64bit) is needed by_kainx的博客-程序员宅基地

问题Python环境下调用CRFPP时，出现如下错误hd@hd:~/DLStudy/CRF++-0.57/python$ sudo pythonPython 2.7.12 (default, Nov 19 2016, 06:48:10)[GCC 5.4.0 20160609] on linux2Type "help", "copyright", "credits" or "license..._libstdc++.so.6(glibcxx_3.4.20)(64bit) is needed by