融合多层特征SENet和多尺度宽残差的高光谱图像地物分类

作     者：于慧伶 霍镜宇 张怡卓 YU Huiling;HUO Jingyu;ZHANG Yizhuo

作者机构：东北林业大学信息与计算机工程学院哈尔滨150040 东北林业大学机电工程学院哈尔滨150040 

出 版 物：《实验室研究与探索》 (Research and Exploration In Laboratory)

年 卷 期：2020年第39卷第7期

页      面：28-34,44页

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：中央高校基本科研业务费项目(2572017CB34) 

主　　题：高光谱图像分类 地物分类 主成分分析法 多层特征SENet 多尺度宽残差 加权平均 

摘      要：提出了一种融合多层特征SENet和多尺度宽残差的高光谱图像地物分类的方法。实验选取Indian Pines和Pavia University为研究对象,结果表明,SE-Inception-Resnet-MSWideResnet(SEIR-MSWR)网络结构的总体分类精度为99.33%、99.52%,Kappa系数为0.98时,分类效果最优,相较于支持向量机(Support Vector Machine,SVM)、K最近邻法(K-NearestNeighbor,KNN),宽残差网络(Wide Resnet Network,WRN)以及InceptionV2-Resnet,总体分类精度分别提高了20.86%、20.09%、5.48%、3.39%、23.1%、16.89%、6.66%、2.58%,Kappa系数分别提高了0.18、0.17、0.06、0.04、0.22、0.17、0.07、0.03,均表现出良好的性能。该方法更好地提取了高光谱图像的本质特征,进而提高了高光谱图像地物的分类精度。