结合未标签样本和CNN的高光谱遥感图像分类

摘要：

针对卷积神经网络(convolutional neural networks,CNNs)需求的训练样本量多,而高光谱图像中存在大量的未标签样本未得到充分利用的问题,文章充分挖掘标签样本及其近邻的未标签样本的空谱信息,提出了一种基于灰度共生矩阵(gray-level co-occurrence matrix,GLCM)和三维卷积神经网络的空谱特征联合训练的高光谱图像分类方法.首先,通过灰度共生矩阵提取高光谱图像的纹理特征;然后,利用相关性分析剔除近邻未标签样本中的冗余信息,将标签样本与未标签样本的信息融合;最后,利用三维卷积神经网络提取深空谱特征进行分类.该方法不但充分挖掘了高光谱图像的深度空谱联合特征,而且利用近邻未标签样本的信息实现对样本信息的增强,降低了对训练样本数量的要求,具有较好的分类性能.在3个公共数据集上的实验结果表明,相比其他方法,该方法可以利用较少的训练样本获得较高的分类精度.

关键词：高光谱图像分类、空谱特征、灰度共生矩阵、三维卷积神经网络、未标签样本

所属期刊栏目：35

分类号：TP751(遥感技术)

资助基金：国家自然科学基金项目61806123、41871325

在线出版日期：2020-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：19-30