CNN和三维Gabor滤波器的高光谱图像分类

• 作者: 余旭初 刘冰 职露 谭熊 魏祥坡
• 来源期刊: 计算机辅助设计与图形学学报
• 学科: 工学
• 关键词: 高光谱图像分类 卷积神经网络 深度学习 三维Gabor滤波器
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 图像与视觉
• 页码范围: 90-98
• 页数: 9页
• 分类号: TP751
• 字数: 5065字
• 语种: 中文
• DOI: 10.3724/SP.J.1089.2020.17430

摘要

卷积神经网络(CNN)具有强大的特征提取能力,能够有效地提高高光谱图像的分类精度.然而CNN模型训练需要大量的训练样本参与,以防止过拟合,Gabor滤波器以非监督的方式提取图像的边缘和纹理等空间信息,能够减轻CNN模型对训练样本的依赖度及特征提取的压力.为了充分利用CNN和Gabor滤波器的优势,提出了一种双通道CNN和三维Gabor滤波器相结合的高光谱图像分类方法Gabor-DC-CNN.首先利用二维卷积神经网络(2D-CNN)模型处理原始高光谱图像数据,提取图像的深层空间特征;同时利用一维卷积神经网络(1D-CNN)模型处理三维Gabor特征数据,进一步提取图像的深层光谱-纹理特征.连接2个CNN模型的全连接层实现特征融合,并将融合特征输入到分类层中完成分类.实验结果表明,该方法能够有效地提高分类精度,在Indian Pines,Pavia University和Kennedy Space Center 3组数据上分别达到98.95％,99.56％和99.67％.

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	刘冰		19	29	3.0	5.0
3	谭熊		26	151	6.0	12.0
4	魏祥坡		16	92	5.0	9.0
5	职露		5	5	2.0	2.0