联合局部二值模式的CNN高光谱图像分类

• 作者: 余旭初 张鹏强 杨帆 职露 魏祥坡
• 来源期刊: 遥感学报
• 关键词: 遥感 高光谱图像 分类 卷积神经网络 深度学习 局部二值模式
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 博士论坛
• 页码范围: 1000-1009
• 页数: 10页
• 语种: 中文

摘要

卷积神经网络CNN (Convolutional Neural Networks)具有强大的特征提取能力,应用于高光谱图像特征提取取得了良好的效果,双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征,并实现了特征的决策级融合.局部二值模式LBP (Local Binary Patterns)是一种简单但有效的空间特征描述算子,能够减轻CNN特征提取的压力并提高分类精度.为了充分利用CNN的特征提取能力及LBP特征的判别能力,提出一种双通道CNN和LBP相结合的高光谱图像分类方法,首先,采用1维CNN (1D-CNN)模型处理原始高光谱数据提取深层光谱特征,同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征,然后,将两个CNN模型的全连接层进行连接,实现深层光谱特征和空间特征的融合,并将融合特征输入到分类层中完成分类.实验结果表明,该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54％、99.73％、99.56％的分类精度,甚至在有限数量的训练样本条件下也能取得较好的分类效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	余旭初		92	837	15.0	26.0
2	张鹏强		37	313	9.0	16.0
3	杨帆		3	3	1.0	1.0
4	魏祥坡		16	92	5.0	9.0
5	职露		5	5	2.0	2.0