基于样本扩充与扩张卷积的高光谱图像分类算法研究.pdf
哈尔滨理工大学电子信息硕士学位论文
基于样本扩充与扩张卷积的高光谱图像
分类算法研究
摘要
近年来，高光谱图像分类领域广泛采用了基于卷积神经网络（Convolutional
NeuralNetworks，CNN）的方法。其中，混合光谱卷积神经网络（HybridSpectral
CNN，HybridSN）能够同时提取高光谱图像的光谱和空间维度信息，并可以对
空间信息进行更精细的优化。然而，使用HybridSN网络进行分类时，仍存在以
下问题：（1）由于高光谱图像数据标记训练样本数量的限制，HybridSN网络
在训练时容易出现过拟合的情况，进而对分类精度和分类效果产生不利影响；
（2）HybridSN网络特征提取阶段仅采用单一尺度的卷积核，从而无法有效提
取全局和局部的多尺度特征信息，影响分类效果；（3）在利用HybridSN网络
进行特征提取的过程中，可能既会提取有助于地物类别分类的判别性特征，又
会提取不利于地物分类的非判别性特征，进而对分类效果产生影响；（4）Hybrid
SN网络训练时会生成大量参数，从而导致分类速度过慢。针对上述问题，本文
进行了以下研究：
首先，为了解决高光谱图像数据中标记样本量较小所带来的训练过拟合问
题，本文采用mix-up算法构造虚拟数据样本。通过将原始训练数据样本量扩增
至两倍，从而有效缓和了小样本特性对于分类方法的不利影响。
其次，为了解决HybridSN网络在特征提取时采用单一尺度的卷积核导致
特征提取不足的问题，改进了HybridSN网络的结构，通过引入光谱扩张卷积，
构建了混合光谱扩张卷积模块（HybridSpectralDilatedConvolution，HSDC）。
HSDC模块由三个不同光谱扩张率的光谱扩张卷积分支组成，在提取特征时可
以关注不同尺度下的特征信息，从而能够充分地提取和融合多尺度的光谱空间
特征信息。在本文中，用HSDC模块替代了HybridSN网络中原来的3DCNN模
块，以此提高网络在处理高光谱图像时的分类精度。
另外，为了解决高光谱图像间具有较高的冗余性问题，本文在HybridSN网
络每一层的HSDC模块之后加入了坐标注意力模块（CoordinateAttentionBlock，
CAB），该模块旨在突出高光谱图像中空间和光谱维度上具有分类判别性的信
-I-
哈尔滨理工大学电子信息硕士学位论文
息，并抑制非判别性信息，以提高判别性信息在分类任务中的作用。结合mix-
up算法，本文提出基于M-HybridSN-HC的高光谱图像分类方法。实验结果显
示，M-HybridSN-HC方法在IndianPines、UniversityofPavia和Salinas数据集
上，相比其它对比方法取得了更好的分类性能。其总体精度值分别达到了98.96%、
99.43%和99.49%，这表明了本文方法的有效性和优越性。
最后，为了解决基于M-HybridSN-HC的高光谱图像分类方法训练速度缓
慢的问题，本文进行了进一步改进。在M-HybridSN-HC网络的基础上，减少了
一层HSDC模块的数量，并增加了两层Ghost卷积模块，以替代原先的传统
2DCNN结构，从而形成了基于M-HybridSN-HCG的高光谱图像分类方法。实
验结果显示，在UniversityofPavia和Salinas数据集上，M-HybridSN-HCG方
法显示出了与M-HybridSN-HC相比的优越性，其总体精度值分别达到了99.57%
和99.58%。此外，与M-HybridSN-HC方法相比，M-HybridSN-HCG方法显著
削减了训练参数，提升了训练速度。
关键词高光谱图像分类；卷积神经网络；Mix-up；注意力机制；Ghost卷积