基于多分支空谱特征增强的高光谱图像分类

为了解决高光谱图像自身及分类过程中噪声干扰大、空间-光谱特征信息提取不足以及有限样本下分类性能不佳等问题,提出一种基于多分支空谱特征增强的高光谱图像分类模型SSFE-MBACNN。首先,利用多分支特征提取模块分别提取浅层空谱特征和深层空间特征信息,并引入注意力机制抑制噪声干扰。其次,设计一种改进多尺度空谱特征提取融合模块及结合双池化和空洞卷积的空间特征增强模块实现空谱特征增强,减少模型参数量和提高分类性能。最后,用全局平均池化层代替全连接层,进一步降低参数量,缓解模型过拟合问题。实验结果表明,在Indian Pines(10%训练样本)、Pavia University (5%训练样本)和Salinas(1%训练样本)数据集分别取得了0.990 7、0.997 5和0.994 7的总体分类精度。SSFE-MBACNN不仅能充分利用空谱特征信息,而且在有限样本下也取得了优秀的分类性能,明显高于其他对比方法。

基于卷积增强动态图卷积特征提取的高光谱图像分类

针对高光谱图像存在的光谱维度多、数据分布不均匀、空间光谱特征提取不充分、同物异谱和异物同谱等问题,提出一种基于卷积网络结合图神经网络的高光谱图像分类算法。首先,通过主成分分析对高光谱图像进行降维;然后,利用卷积网络提取图像中的局部特征,包括纹理和形状等信息。这些局部特征可以反映图像中不同物体和区域间的差异,同时将卷积所提取到的特征通过编码器嵌入动态图卷积所在的超像素域中,利用其动态化的邻接矩阵来捕获高光谱图像中的长远距离空间上下文信息并通过解码器将二者所提取到的特征相结合,从而实现对高光谱图像中各个像素类别的分类。在3个公共的高光谱图像数据集上进行实验,与其他5种高光谱图像分类算法相比,所提算法具有更好的分类性能。