变异系数降维的CNN高光谱遥感图像分类

• 作者: 周壮 张康 李盛阳 黑保琴
• 来源期刊: 遥感学报
• 学科: 工学
• 关键词: 卷积神经网络 深度学习 变异系数 高光谱遥感图像 分类
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 技术方法
• 页码范围: 87-96
• 页数: 10页
• 分类号: TP701
• 语种: 中文
• DOI: 10.11834/jrs.20187075

摘要

为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息.提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法.这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念.通过计算(CVIE)2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类.Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69％和99.66％,有效地改善了高光谱遥感图像的分类精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李盛阳	中国科学院空间应用工程与技术中心	34	212	9.0	13.0
5	黑保琴	中国科学院空间应用工程与技术中心	12	86	5.0	9.0
9	张康	中国科学院空间应用工程与技术中心	5	53	3.0	5.0
18	周壮	中国科学院空间应用工程与技术中心	3	22	1.0	3.0