基于混合卷积神经网络的高光谱数据分类算法研究.pdf

基于混合卷积神经网络的高光谱数据分类算法研究

摘要

随着遥感领域技术的不断突破，高光谱数据分类技术也逐渐应用在各个领域之中。

例如，城市规划建设、地表物质分析、复杂地形侦查等。在遥感领域的发展中，高光

谱数据是遥感中重要的分支体系；尤其是针对高光谱数据的分类技术是业内较为关注

的技术方向之一。对高光谱数据进行分类的主要技术路线是根据不同波段的光谱色度、

空间位置排列或不同波段间的互补信息，将高光谱数据中的像素点依照某些规则或算

法进行类别区分。然而，由于高光谱数据的三维特性，使得学者们针对其数据的处理

与分类展开了广泛的研究。基于高光谱数据结构的特点，本文主要研究内容如下：

1.首先，针对高光谱数据与传统图像数据信息的不同之处，其数据存在冗余度高、

样本数量有限等问题提出相应的分类方法。高光谱数据中不仅包含图像中基本的空间

信息，还包含了高光谱数据特有的光谱维度信息，因此是三维立方体数据。以往的方

法中多数都是利用光谱联合空间信息共同学习其图像特点，因此这种方式多半是利用

三维卷积网络去设计分类结构。但是三维卷积网络参数量较大，在取得相对较优的精

度效果时往往设计的模型复杂度较高。而二维卷积网络往往在空间层面学习特征信息，

所以更加适合处理空间特性。基于此，为了充分学习高光谱三维特性信息以提升图像

分类的精度，降低模型复杂度，本文以混合卷积神经网络为基调，提出基于单支路的

多级混合注意网络的高光谱数据分类算法（DMCN）。首先，设计密集三维卷积结构来

高效的学习光谱-空间联合信息。其次，设计多级分组残差式二维卷积网络来学习空间

特征分布。最后，使用协同注意力机制进行细节特征感知，增强三维空间光谱联合信

息学习的同时，更为关注空间特征位置，从而达到精准分类的目的。在三种公开数据

集上进行了对比实验，即IndianPines（IP）、UniversityofPavia（UP）和Salinas（SA）。

结果表明，该模型对三种数据集都有效地提升了分类的准确度。

2.其次，针对高光谱数据的获取较为困难，需要大量的人工标注进行数据扩充，并

且在数据样本中可能会出现错标；同时，在数据进行收集的过程中会受到外界因素的

影响导致数据中存在一定的标注类别错误。基于此，为了在干扰环境下获得相对较好

的分类效果，同时提升分类算法的稳定性。本文研究了一种基于噪声标签的双支路混

合注意网络的高光谱数据分类算法（DDAN）。首先，该算法设计两条支路，分别是光

谱信息特征提取支路与空间信息特征提取支路。在每个支路中，利用三维密集卷积网

络结构分别进行光谱信息和空间信息的提取，通过两个支路来学习图像不同维度的信

哈尔滨工程大学硕士学位论文

息。其次，设计二维卷积注意力机制结构来进行光谱和空间的细节信息感知，以达到

感知分类事物的目的。最后，利用抗噪声损失函数，使模型更好的收敛，增强模型的

鲁棒性。为了验证模型的效果，在三种公开数据集上进行了对比实验，即KennedySpace

Center（KSC）、UniversityofPavia（UP）和Salinas（SA）。结果表明，DDAN在KSC、

UP和SA上有着较好地分类准确率。

关键词：高光谱数据分类；混合卷积网络；密集连接结构；注意力机制；噪声标签

基于混合卷积神经网络的高光谱数据分类算法研究

Abstract

Withthecontinuousbreakthroughofremotesensingtechnology,hyperspectraldata

classificationtechnologyhasbeengraduallyappliedinvariousfields.Forexample,urban

planningandconstruction,surfacematerialanalysis,complexterraininvestigation,etc.Inthe

developmentofremotesensing,hyperspectraldataisanimportantbranchofremotesensing