基于稀疏非负最小二乘编码的高光谱遥感数据分类方法

为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。     

基于局部保留降维卷积神经网络的高光谱图像分类算法

为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。