基于特征提取的高光谱图像分类方法研究

作     者：张因国 

作者单位：重庆邮电大学 

学位级别：硕士

导师姓名：刘明皓;陶于祥

授予年度：2021年

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] 

主      题：高光谱图像分类 特征重要性评估 特征提取 支持向量机 三维卷积神经网络 

摘      要：为了消减高光谱图像中存在的冗余信息和噪声干扰以及充分利用高光谱图像(Hyperspectral Image,HSI)的三维特性做好分类工作,本文将以印第安松(Indian Pines)和肯尼迪航天中心(Kennedy Space Center,KSC)两个公开高光谱图像数据集为实验数据,主要围绕高光谱图像的特征提取和分类任务进行较为系统、深入的研究,经过多组实验本文初步得出如下结论:1.为了减少高光谱图像的信息冗余,提出了一种基于特征重要性的高光谱特征提取方法。首先,利用训练优化得到的随机森林模型(Random Forest,RF)对高光谱遥感图像的众多波段进行重要性评估,然后依据评估结果选择合适数目的高光谱图像波段,使模型输出新的训练样本。为了初步验证该评估模型(Feature Importance,FI)的有效性,引入经典机器学习模型支持向量机(Support Vector Machine,SVM),以此为分类器,用其分类结果作为本文提出的特征重要性评估模型的评价标准。实验结果:对于Indian Pines,本文所提出的特征选择提取方法将其总体精度提升了6.48%,相较于其他传统的方法如主成分分析法(Principal Components Analysis,PCA)也多提高了1.09个百分点,而Kappa系数,比其他方法分别至少多提升了2.77。对于KSC数据集:所提出的特征提取方法将分类结果的总体精度提高了9.04%,比PCA等方法至少多提高了1.23个百分点。关于Kappa系数,FI则仍然表现良好将其提高了9.04。比K-Means等方法至少多提升了1.23。以上数据充分说明了FI模型的有效性。2.为了提升高光谱图像分类的效率和精度,本文引入了相较于普通卷积神经网络(Convolutional Neural Networks,CNN)模型更加适应于高光谱图像相关任务的三维卷积神经网络分类器,将其与本文提出的基于特征重要性的特征提取模型相结合构建一个基于特征重要性的深度学习分类框架。实验结果简述如下:对于每一个数据集本文提出的FI-3D CNN组合模型都完成了最好的分类,精度最高分别达到了98.03%和97.26%左右,而Kappa则分别达到了97.84和96.98。相较于基础对照组CNN,其分类精度提高了12.76。Kappa系数提高了14.53,实验结果表明,该组合模型能够很好地适应于高光谱图像分类任务,深度挖掘信息,其分类精度和效率要优于大部分传统算法。