基于深度学习和类标传播的高光谱图像分类算法研究.pdf

摘要

高光谱遥感图像(HyperspectralSensingImage,HSI)可以捕捉到遥感数据中的精细的

地物信息，并逐渐在灾害估计、海洋研究、精准农业等领域被广泛应用。HSI蕴藏着大

量的地物信息，但也存在着大量的信息冗余，使得数据的处理变得更加困难和复杂。并

且高光谱标记样本少，为图像分类带来了挑战。为了提高遥感图像的识别精度，针对以

上问题，本文提出了三种方法，主要包括以下三个部分：

第一，针对提取到光谱特征信息，本文设计了一个数据降维方法，保证信息不冗余

的情况下提取有效地物信息。首先基于相关系数的降维对波段进行选择，然后利用B距

离与随机森林分别对选择之后的波段，采取融合的方式选择重要的波段信息。实验表明，

总体精度(OA)在IndianPines、UniversityofPavia和Salinas数据分别达到了95.24%、

95.74%和95.43%，提出的方法可以降低冗余信息和噪声干扰，有效地从光谱中提取出

特征。

第二，针对充分利用周围空间信息，本文设计了一套基于空间类标传播算法，通过

利用稀疏相似度矩阵来减少计算量，利用谱聚类使不同类别但很近的相似度区别开。实

验表明，该算法可以更好的利用空间信息和光谱信息，不仅提高了周围光谱信息的利用

率，而且提升了算法的稳定性和鲁棒性。同时，该算法占用空间少，复杂度低，数据处

理效率高等显著优点，OA在IndianPines、UniversityofPavia和Salinas数据分别达到

了98.37%、95.85%和97.57%。

第三，针对小样本数据情况，为了更有效地利用空间和频谱信息，提升分类精度，

设计一个双通道SOTC-HM网络模型。采用卷积分组方式代替网络层次加深，能够更好

地提取出具有显著的特征，减少3D-CNN带来的大量参数，并有效缓解了精度降低的现

象。同时，在小样本情况下，通过数据扩充方式增加了网络学习的输入，解决不同类型

的训练样本不足和不均衡的问题，从而提高分类的识别率，OA在IndianPines、University

ofPavia和Salinas数据分别达到了96.55%、98.77%和99.31%。

关键词：高光谱图像分类，类标传播，机器学习，卷积神经网络

i

abstract

HyperspectralSensingImage(HSI)cancapturefinegroundobjectinformationinremote

sensingdata,andhasgraduallybeenwidelyusedindisasterestimation,marineresearch,

precisionagricultureandotherfields.HSIcontainsalotofgroundobjectinformation,butthere

isalsoalotofinformationredundancy,whichmakesthedataprocessingmoredifficultand

complicated.Andtherearefewhyperspectrallabeledsamples,whichbringschallengesfor

imageclassification.Inordertoimprovetherecognitionaccuracyofremotesensingimages,in

responsetotheaboveproblems,thispaperproposesthreemethods,whichmainlyincludethe

followingthreeparts:

First,toeffectivelyextractspectralfeatureinformation,inthispaper,adatadimensionality

reductionmethodis