融合栈式自编码与CNN的高光谱影像作物分类方法

在高光谱影像作物分类中，为了充分利用高光谱遥感影像完整的光谱信息，同时避免高维数据带来的Hughes现象，本文从栈式自编码网络的数据降维与CNN网络的分类优势出发，首先分析了此种网络在训练过程中的共性，以自编码网络优化过程中分类器的选取作为切入点，构建了可用于高光谱影像分类的融合网络架构。相较于传统方法，本文方法仅通过一次监督训练，即可实现高光谱影像直接分类，简化了传统数据处理流程，而且具有更优的分类性能。在实验中，利用Pavia University与雄安地区两组典型的高光谱遥感影像数据集对本文方法进行了验证，实验结果表明，Pavia University数据集中，在仅选用10%的像素点作为训练集的情况下，本文方法总体分类精度达到98.73%，比传统方法提升了8个百分点以上；在雄安数据集中，在仅选用1%的像素点作为训练集的情况下，本文方法总体分类精度达到98.04%，比传统方法提升了7个百分点以上，证明了本文分析的正确性和所提方法有效性，也为小样本情况下的高光谱影像分类提供了一种新的研究思路。