基于卷积核哈希学习的高光谱图像分类
高光谱遥感可同步获取地表覆盖空间影像和连续且精细的光谱数据,能够实现对地物的精细分类与识别.然而,高光谱图像的高维特性对分类带来巨大挑战.为此,本文探讨了一种基于卷积核哈希学习的高光谱图像分类方法.哈希学习可以将高维信息表达为低维哈希编码,通过计算哈希编码内积并借助最小汉明距离实现分类.为了有效表达非线性数据,又发展了核哈希学习方法.然而,直接应用核哈希学习进行高光谱图像分类存在运行速度慢和未考虑空间邻域信息的不足.为此,本文在核哈希学习中引入径向基函数RBF(Radial Basis Function)作为损失函数以提高运行效率;同时,借助四维卷积操作充分表达空间邻域信息,提出了基于卷积核哈希学习的高光谱图像分类方法CKSH(Supervised Hashing with RBF Kernel and Convolution),同时探讨了该方法在仅利用光谱特征和光谱—空间联合特征上的分类效果.在国际通用测试数据Indian Pines和University of Pavia上进行了实验,结果表明:本文提出的CKSH方法优于传统分类方法(支持向量机、随机子空间)和其他哈希学习方法(如谱哈希、球哈希、监督离散哈希、潜在因子哈希等),同时在不同训练样本数量条件下均取得了较高的分类精度,达到96.12％(Indian Pines,10％的训练样本)和98.00％(University of Pavia,5％的训练样本),从而验证了该方法的有效性.
遥感、高光谱图像、哈希学习、RBF、四维卷积、特征提取、光谱—空间分类
26
TP391.41;TP274;TP751
国家自然科学基金;中央高校业务费项目
2022-06-21（万方平台首次上网日期，不代表论文的发表时间）
共17页
722-738
