基于超像素樣本擴充的空譜全卷積高光譜圖像分類方法
本成果提出的基于超像素樣本擴充的空譜全卷積高光譜圖像分類方法有效的利用高光譜圖像的超像素分割結果指導偽樣本擴充增加了訓練集樣本數量,解決了高光譜圖像有標記樣本的稀缺問題,同時空譜的全卷積分類網絡也充分利用了多尺度的空間特征和光譜特征實現了較高的分類精度。
成果非涉密,專利申請已經提交。
實驗采用反射光學系統成像光譜儀(ROSIS)傳感器獲取意大利北部帕維亞大學(Pavia University)的高光譜圖像數據。該數據集由 103 個光譜帶組成,共 610×340 像素,光譜覆蓋范圍從 430nm 到 860nm,空間分辨率為 1.3m。該數據集一共含有 9 個類別的 42776個有標記樣本,選取每類 30 個有標記樣本作為訓練集,其余作為測試集。
由下表可以看出,在每類選取 30 個樣本的情況下,本 模 型 的 OA,AA,Kappa系 數 比 DFFN 模 型 高 出20.8%,17.4% 和 26.5%;比CNN 高 出 23.1%,18.8% 和29.2%。并且下表證明了使用了偽標簽樣本擴充的空譜全卷積網絡的本方法在小樣本情況下每個類的分類準確性均優于 DFFN 和 CNN,達到了較好的分類效果。
表 1 PaviaU 數據集上對比實驗結果
西安電子科技大學
2023-03-03