三维Gabor和多尺度残差网络的高光谱影像分类.pdf
《三维Gabor和多尺度残差网络的高光谱影像分类.pdf》由会员分享,可在线阅读,更多相关《三维Gabor和多尺度残差网络的高光谱影像分类.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 卷 第期 年月遥 感 信 息 ,收稿日期:修订日期:基金项目:浙江省教育厅一般科研项目()。作者简介:吕欢欢(),女,博士,副教授,硕士生导师,主要研究方向为智能信息处理、图像与视觉信息计算。犈 犿 犪 犻 犾:通信作者:张辉(),男,博士,讲师,硕士生导师,主要研究方向为模式识别与人工智能、遥感影像智能处理。犈 犿 犪 犻 犾:三维犌 犪 犫 狅 狉和多尺度残差网络的高光谱影像分类吕欢欢,胡杨,张辉(辽宁工程技术大学 软件学院,辽宁 葫芦岛 ;湖州师范学院 信息工程学院,浙江 湖州 )摘要:为了减轻高光谱影像分类网络模型对训练样本的依赖性并解决网络层数加深产生的性能退化问题,文章研究了三
2、维 滤波和多尺度残差网络的高光谱影像分类方法。利用三维 滤波器提取出有助于分类的光谱纹理特征,引入扩张卷积和残差学习构建多尺度残差网络模型进行深层次特征提取,实现不同尺度下局部和全局特征融合和分类。在两幅高光谱影像上对该方法和其他方法进行实验比较。结果表明,该方法获得了最优的分类结果,能够在训练样本有限的情况下提高分类精度。关键词:卷积神经网络;高光谱影像分类;三维 滤波;扩张卷积;残差学习犱 狅 犻:中图分类号:文献标志码:文章编号:()犎 狔 狆 犲 狉 狊 狆 犲 犮 狋 狉 犪 犾 犐 犿 犪 犵 犲犆 犾 犪 狊 狊 犻 犳 犻 犮 犪 狋 犻 狅 狀犅 犪 狊 犲 犱狅 狀犜 犺
3、狉 犲 犲 犱 犻 犿 犲 狀 狊 犻 狅 狀 犪 犾犌 犪 犫 狅 狉犪 狀 犱犕 狌 犾 狋 犻 狊 犮 犪 犾 犲犚 犲 狊 犻 犱 狌 犪 犾犖 犲 狋 狑 狅 狉 犽 ,(犆 狅 犾 犾 犲 犵 犲 狅 犳犛 狅 犳 狋 狑 犪 狉 犲,犔 犻 犪 狅 狀 犻 狀 犵犜 犲 犮 犺 狀 犻 犮 犪 犾犝 狀 犻 狏 犲 狉 狊 犻 狋 狔,犎 狌 犾 狌 犱 犪 狅,犔 犻 犪 狅 狀 犻 狀 犵 ,犆 犺 犻 狀 犪;犛 犮 犺 狅 狅 犾 狅 犳犐 狀 犳 狅 狉 犿 犪 狋 犻 狅 狀犈 狀 犵 犻 狀 犲 犲 狉 犻 狀 犵,犎 狌 狕 犺 狅 狌犝 狀 犻 狏 犲 狉 狊
4、犻 狋 狔,犎 狌 狕 犺 狅 狌,犣 犺 犲 犼 犻 犪 狀 犵 ,犆 犺 犻 狀 犪)犃 犫 狊 狋 狉 犪 犮 狋:,犓 犲 狔 狑 狅 狉 犱 狊:;引言高光谱影像具有丰富的光谱和空间信息,其图谱合一的特性能够为精细农业、环境监测、矿物填图、军事等任务提供新的解决方案。分类是众多任务中的基础问题之一,其主要目标是赋予影像中的像元唯一类别标识。然而,高光谱影像具有数据冗余、光谱维度高、标记样本缺乏等特点,给分类的应用和发展带来了巨大挑战。近年来,利用深度学习对高光谱影像分类已经成为研究的热点。与传统基于机器学习分类方法相比,深度学习方法能够提取深层次的抽象特征,更好遥 感 信 息 年期地
5、表达高维数据的复杂结构,进而提高影像的分类精度。?等基于堆栈自编码网络(,)提出一种融合光谱特征和空间特征的深度学习方法。等将降维后的数据输入到深度置信网络(,)进行分类。上述模型在输入时都需要将数据转换成一维的向量,以适应其网络结构的特点,这导致在特征提取时无法考虑影像的空间信息。卷积神经网络(,)可以直接处理二维或三维图像,可有效缓解上述问题。等将二维 应用于高光谱影像分类中,在提取空间特征时表现较好。但由于高光谱影像具有三维特性,利用二维卷积进行特征提取会导致大量光谱维特征的缺失。等利用三维卷积同时提取光谱和空间信息,有效提高了分类精度。等提出基于多维卷积的分类方法,构建多分支网络结构增
6、强了空谱特征的提取能力。提取有效的分类特征是增强高光谱影像分类性能的关键。等通过获取扩展形态学轮廓特征(,)进行复杂的边缘特征检测。等利用引导滤 波(,)有效地结合了上下文特征信息。在此基础上,等结合 与谐波 分析(,),得到改进的()特征,能够充分表达分类对象的细节。以上方法提出的特征类型是针对图像的形态学以及边缘特征的分析,存在不规律性。由于高光谱影像存在大量的局部连续特征,而纹理信息中存在一定的连续性,因此有效地提取和使用纹理特征也是提高分类精度的重要方法之一。滤波器可以在图像频域的不同方向和不同尺度上提取相关特征,对纹理特征的表达能力较强。等 提取影像的二维 ()特征作为 模型的输 入
7、,实 现 了 深层 次 的特 征提 取 和 分 类。特征 中 丢 失 了 大 量 的 光 谱 信 息,三 维 ()滤波能够在提取影像纹理特征的同时保留丰富的光谱信息。鉴于此,魏祥坡等 提出一种双通道 和 滤波结合的分类方法,实现了深层次空间特征和光谱纹理特征的有效融合。上述研究结果表明,利用 滤波器提取影像的纹理特征,能够在增强影像空间特征表达的同时减少 模型对样本数量的依赖,但仍存在一些问题:如何充分提取影像不同尺度的特征,并从中挖掘出有利于分类的判别特征;在网络模型中如何增强不同特征图之间信息的有效传递,进而提高分类精度。针对上述问题,本文结合 滤波器和深度学习提出一种基于 滤波和多尺度残
8、差网络的高光谱影像分类方法(),以提高训练样本有限情况下高光谱影像的分类精度,主要贡献有以下点。)通过 滤波对原始高光谱影像进行预处理,得到的光谱信息和纹理信息能够减少 模型对样本数量的依赖。)构建多尺度特征提取残差模块,实现不同尺度局部特征的融合,避免单一尺度特征表达能力的不足,使特征图包含更丰富的信息。)利用多尺度残差模块实现特征的有效传递,并完成不同残差块获得特征之间的全局融合,得到有利于判别的深层次特征,提高影像分类精度。本文方法本文所提出的基于 滤波和多尺度残差网络的高光谱影像分类方法的流程如图所示。首先,采用 滤波器对输入高光谱影像的数据立方体进行特征提取,从而捕获足够且更具区分力
9、的空谱特征信息;其次,利用多尺度特征提取残差网络获得不同尺度的局部特征和全局特征;最后,采用 分类器获得最终的分类结果。图方法流程图 犇犌 犪 犫 狅 狉特征提取 滤波器对于图像的边缘纹理敏感度高,能够产生良好的方向选择和尺度选择,被广泛应用于边缘检测和纹理分析。为了提取有价值的联合 信 息(空 域 和 频 域)用 于 模 式 识 别 和 分 类,滤波器在原有基础上增加一个维度被推广到三维。在空谱域(狓,狔,犫)中,滤波器可以定义为式()。犳,(狓,狔,犫)犵(狓,狔,犫)犮(狓,狔,犫)()式中:犳为径向中心频率;(,)为滤波器方向;犵(狓,狔,犫)为高斯函数;犮(狓,狔,犫)为正弦函数。通
10、过改变和的值,可以尽可能实现在整个三维空间中获取各个方向的特征。高光谱影像具有引用格式:吕欢欢,胡杨,张辉三维 和多尺度残差网络的高光谱影像分类遥感信息,():三维张量结构,可以直接采用 对其进行卷积以提取出空间、光谱及空谱联合的重要信息,这些信息可以增强影像的纹理特征从而提供更多有利于分类的判 别性 信 息。假设 高光 谱 立方 体 为 (狓,狔,犫),将其输入到 滤波器中进行处理,并通过三维卷积运算提取其实部,得到包含光谱和纹理特征的新立方体 ,计算方法如式()所示。(狓,狔,犫)(狓,狔,犫)犳,(狓,狔,犫)()根据文献 ,为了获取不同频率和不同方向的空谱特征,通过改变滤波器的中心频率
11、犳和方向(,)来 构 造 不 同 滤 波 器。其 中,犳一 般 选择(,),和分 别 选择(,),当取值为时,也只能取。因此,实际有 个方向,最终构造了 个滤波器。原始高光谱数据经过 滤波得到的空谱特征与原始影像的大小和维度均相同。扩张卷积在高光谱影像特征提取中,标准卷积更关注于局部特征,无法学习到相邻区域的空间相似性。张祥东等 提出的扩张卷积能够在增大卷积核感受野的同时避免参数量的增加,有效解决空间信息提取不足的问题。图为普通卷积与扩张卷积的对比,可见在相同的卷积核尺寸下,不同膨胀系数获取不同大小感受野,即提取到更全面的多尺度上下文信息。图普通卷积核与扩张卷积核示意图为了使本文所构建模型的卷
12、积层更加灵活和富有表现力,并考虑高光谱影像相邻区域的空间相关性,从而充分提取高光谱影像的不同尺度下的空谱特征,将扩张卷积与三维卷积相结合应用于高光谱影像特征提取。残差学习为了减少梯度消失爆炸造成的网络性能退化,采用残差学习来减轻神经网络的训练负担并进一步增加网络层数。图为残差学习的基本原理,输入值犡经过卷积映射变换后,再通过归一化和激活函数 处理得到残差函数犉(犡),在传递到下一个模块前,通过短连接()将犉(犡)与犡相加,保证恒等变换和反向传播时的梯度传递。图残差学习 基于多尺度残差网络的高光谱影像分类方法)多尺度特征提取残差模块。多尺度特征是影像数据中不同尺度的信息,以此增强模型的特征表达能
13、力。一般可使用不同尺度的卷积核来实现多尺度特征的提取,但这种方法会产生大量的模型参数,不利于模型的训练;深度网络容易产生梯度弥散和网络退化问题,导致模型的分类效果不佳。为解决以上问题,本文结合扩张卷积和残差学习两种方法,同时通过连接前后特征信息实现局部多尺度特征信息的融合,提出多尺度特征提取残差模块(,)。作为网络模型主体的多尺度扩张残差模块结构如图所示。该模块采用层扩张卷积组合为主要构成,其中这层扩张卷积的膨胀系数以不同的数值进行设置,在之后的膨胀系数分析实验中会给出相应数值。使用一层三维卷积与残差学习联系前后的传递信息,将不同层次和不同尺度的局部特征信息融合,最终获得在多层次和多尺度上的影
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 三维 Gabor 尺度 网络 光谱 影像 分类
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。