文献类型：期刊文章

作　　者：闫苗[1,2] 赵红东[1] 李宇海[2] 张洁[1,2] 赵泽通[1,2]

Yan Miao;Zhao Hongdong;Li Yuhai;Zhang Jie;Zhao Zetong(School of Electronics and Information Engineering,Hebei University of Technology,Tianjin 300401,China;Electronics Technology Group Corporation No.53Research Institute,Key Laboratory of Electro-Optical Information Control and Security Technology,Tianjin 300308,China)

机构地区：[1]河北工业大学电子信息工程学院,天津300401 [2]中国电子科技集团公司第五十三研究所光电信息控制和安全技术重点实验室,天津300308

出　　处：《激光与光电子学进展》

基　　金：光电信息控制和安全技术重点实验室基金项目资助(614210701041705)

年　　份：2019

卷　　号：56

期　　号：2

起止页码：191-198

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：在进行遥感图像多分类识别时,针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题,研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二,再增14类地物制作数据集三。在预处理图像数据之后,通过设置神经网络结构、调整模型参数、对比神经网络模型等,上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响,证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。

关 键 词：遥感 高光谱图像 图像分类 卷积神经网络 特征提取

分 类 号：TP751] TP183]