基于残差网络特征融合的高光谱图像分类.pdf

第33卷，第2期 国土资 源遥感 Vol. 33,
2021 年 6 月 REMOTE SENSING FOR LAND & RESOURCES Jun. ,2021
doi: 10. 6046//tzyyy. 2020209
引用格式：韩彦岭，崔鹏霞,杨树瑚，［J］.国土资源遥感,2021,33 (2 ):11 - 19.
(Han Y L, Cui P X, Yang S H, et al. Classification of hyperspectral based on feature fusion of residual network ［ J］. Remote
Sensing for Land and Resources,2021,33(2) ：11 - 19.)
基于残差网络特征融合的高光谱图像分类
韩彦岭， 崔鹏霞， 杨树瑚， 刘业锟， 王 静， 张 云
(上海海洋大学信息学院， 上海201306)
摘要： 深度学习技术因其在深度挖掘地物特征方面的独特优势为高光谱图像分类提供了技术手段。但是在高光谱
图像的像素级地物分类中，由于样本输入尺寸的影响导致深度学习的层数受限，不能充分挖掘高光谱图像中的深
度特征，为此提出基于残差网络特征融合的高光谱图像分类方法。首先通过主成分分析(principal component analy-
os,PCA)方法提取原始高光谱图像中的第一主成分，利用残差网络有效提取地物空谱特征；再通过反卷积算法实
现特征图的扩充,将反卷积后不同维度的特征进行多尺度特征融合，充分挖掘高光谱图像中的深度特征信息，进一
步提升高光谱图像分类精度。对“珠海一号”卫星拍摄的江苏太湖和安徽巢湖两个区域进行地物分类实验，结果表
明，与其他方法相比,该方法有效解决了高光谱图像分类中深度特征提取不足的问题 ，获得了更好的分类性能。
关键词： 反卷积；特征融合；残差网络；高光谱图像分类
中图法分类号： TP 79 文献标志码： A 文章编号： 1001 -070X(2021)02 - 0011 -09
度CNN进行改进，采用分层特征融合的方法，得到
0引言 更加有效的深度特征；文献［4