文献类型：期刊文章

作　　者：李竺强[1] 朱瑞飞[1,2] 高放[1] 孟祥玉[3] 安源[1] 钟兴[1]

Li Zhuqiang;Zhu Ruifei;Gao Fang;Meng Xiangyu;An Yuan;Zhong Xing(Chang Guang Satellite Technology Co.Ltd.,Key Laboratory of Satellite Remote Sensing Application Technology of Jilin Province,Changchun,Jilin 130000,China;Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Sciences,Changchun,Jilin 130033,China;Jilin Provincial Land Survey＆ Planning Institute,Changchun,Jilin 130061,China)

机构地区：[1]长光卫星技术有限公司,吉林省卫星遥感应用技术重点实验室,吉林长春130000 [2]中国科学院长春光学精密机械与物理研究所,吉林长春130033 [3]吉林省国土资源调查规划研究院,吉林长春130061

出　　处：《光学学报》

基　　金：吉林省科技厅重点科技攻关项目(20170204034SF); 吉林省重点科技研发项目(20180201109GX)

年　　份：2018

卷　　号：38

期　　号：8

起止页码：396-405

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：高光谱遥感影像分类通常基于地物光谱特征,但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构,卷积神经网络(CNN)已成功地应用在图像分类领域,对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息,提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN),并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(Indian Pines数据集、Pavia University数据集、Pavia Center数据集)进行测试,结果表明分类优化后精度得到很大提升,总体精度可达98%,Kappa系数达到97.2%。

关 键 词：遥感 高光谱影像 空间-光谱信息  三维卷积神经网络  条件随机场

分 类 号：TP751.1]