基于改进2DCNN的高光谱遥感图像处理研究 .pdfVIP

基于改进2DCNN的高光谱遥感图像处理研

究

作者：赵章红张丹胡昊陈琳常升龙

来源：《南京信息工程大学学报》2024年第01期

摘要针对传统遥感图像处理中的时间成本和人工成本高、效率低等问题，以提高遥感高光

谱图像分类中的处理速度、精度，降低参数量为目标，提出改进的2DCNN模型En-De-2CP-

2DCNN．首先，使用1DCNN、2DCNN与3DCNN在PaviaUniversityHSI数据集上分别进行

分类实验，对比分析各自优缺点．其次，在保持较快的处理速度和不增加模型参数量的前提

下，选择2DCNN为基础模型，参考SegNet的Encoder-Decoder结构，融入双卷积池化思想进

行基础模型改进，同时优化学习策略．结果表明：En-De-2CP-2DCNN模型F1为99.96％，达

到3DCNN的同等水平（99.36％），较改进前（97.28％）提高2.68个百分点;处理速度（5s／

epoch）和1DCNN位于同一量级，快于3DCNN（96s／epoch）;参数量（2.01MB）较改进前

降低了1.54MB，虽高于3DCNN（316KB），但远低于1DCNN（19.21MB）．En-De-2CP-

2DCNN模型在处理速度和参数量方面的改进，有利于进一步实现移动端的轻量化部署．

关键词：卷积神经网络;深度学习;遥感图像处理;高光谱;图像分类

中图分类号TP751.1

文献标志码A

引言0

遥感影像分类是指用不同的类别来标识遥感影像中的不同目标像素［1］．高光谱遥感影

像（HSI）因其数据维度高、冗余信息多和下垫面的“同物异谱、同谱异物”复杂特性，导致数

据结构呈现高度非线性特征．当前，高光谱遥感影像处理多采用特征提取与分类器结合的方法

完成高光谱遥感影像分类任务，如：Licciardi等［2］采用非线性主成分分析（NLPCA）方

法，在具有不同空间和光谱分辨率／覆盖度的数据集上均得到相较于线性主成分分析（PCA）

更高的分类精度;Villa等［3］提出一种基于贝叶斯分类准则的独立分量判别分析（ICDA）方

法，并在不同数据集上与支持向量机［4］进行比较测试，验证了ICDA方法的明显优势．两

种方法都达到了降低影像处理难度、提高分类精度的目标．为了更贴合遥感目标地物离散分布

的实际，要充分使用数据中的空间信息，以解决高光谱数据中的非线性问题．常见的机器学习

分类器有最大似然法（MLC）和人工神经网络（ANN）［5-6］等，而改进型的机器学习方法

有基于稀疏表示的扩展形态学属性断面算法［7］、基于全变差优化的稀疏图结构［8］等，在

一些特定领域数据集上得到了较理想的分类结果．但是，使用机器学习的分类方法仍然面临许

多问题：

）分类1速度慢、精度低．其原因是高光谱遥感影像数据量大．相较于单波段遥感影像，

高光谱遥感影像数据量增加了几十甚至上百倍．更大的数据量包含更多的信息冗余，影响分类

精度．且相较于深度学习方法，机器学习无法较好地使用GPU加速，造成事实上的硬件资源

浪费．

）数据2预处理困难．高光谱遥感图像成像机理特殊、分类所需数据量大，难以进行高效

率、高精度的预处理操作，如大气纠正、几何校正、光谱定标、反射率转换等．

）訓练样本关系3复杂或者信息缺失．高光谱遥感图像的波段多，且波段间的相关性复

杂，分类时需要参考多类训练样本的信息．当其中任一类训练样本信息缺失时，都将导致整个

实验的训练受到影响．

）统计学4分类模型参数的估计较困难，以至模型对光谱特征选择的要求难以满足．

深度学习框架的兴起，在各类图像处理领域展现出了超强的处理复杂问题的能力．遥感图

像分类是一类特殊的图像处理任务，需要结合计算机视觉图像分类、目标检测和语义分割等技

术来实现．Zhao等［9］结合PCA和融入了平衡局部判别嵌入算法的2DCNN（2D

ConvolutionalNeuralNetwork）处理高光谱图像，以提取其空间和光谱信息特征．Yue等

［10］使用2DCNN进行遥感图像特征提取，并结合逻辑回归分类