资源描述：
《融合光谱滤波的高光谱图像分类深度网络》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、融合光谱滤波的高光谱图像分类深度网张巨萍高光来苏向东内蒙古大学计算机学院内蒙古财经大学计算机信息管理学院摘要：目前，大量深度学习方法被用于提取超光谱图像特征来完成像素点分类任务。这些超光谱图像虽然经过一系列前期处理，但是仍然包含很多噪声，噪声同时存在于光谱域和空间域。由于这些方法在提取图像深层特征时大多只进行了空间域去噪处理，没有进行光谱域噪声的滤除，最终获得的像素点深度特征屮带有噪声，降低了分类精度。结合分类效果出色的空谱学习网络(Spectral-SpatialNetworks,SSN),本文提出两种融合光谱域滤波的深层特征
2、学习模型——Saviztky-Galoy滤波空谱学习网络(SG-SSN)和中值滤波空谱学习网络(MF-SSN)。两个模型首先分别对图像光谱域进行SG滤波和中值滤波，接着对滤波后的图像使用SSN学习图像深层特征。在两个标准数据集上，使用总体精度(OverallAccuracy,OA),平均精度(AverageAccuracy,AA)以及Kappa系数度量分类效果，发现融合光谱滤波的SG-SSN和MF-SSN模型能有效提升空谱学习网络的分类精度。木文同时利用实验比较和分析了深层特征学习中模型层数对模型性能的影响。关键词:超光谱图像;
3、SG滤波;中值滤波;空谱学习网络;作者简介：张巨萍仃973),女，内蒙古扎费特旗人，内蒙古财经大学讲师，博士研究牛，主要研究方向：机器学习、图像处理。作者简介：高光来(1964),男，内蒙古扎赍特旗人，教授，博士生导师，主要研究方向：智能信息处理。作者简介：苏向东(1984),男，内蒙古乌兰察布市人，博士，讲师，主耍研究领域为自然语言处理、图像处理、模式识别。基金：国家自然科学基金FusionSpectralFilterinDeepFeatureLearningNetonHyperspectralImageClassificat
4、ionZHANGJupingGAOGuanglaiSUXiangdongCollegeofComputerScience,InnerMongoliaUniversity;Abstract：Recently,manydeeplearningmethodsareusedinhyperspectralimage(HST)pixelclassificationtask.However,spectralnoiseandspatialnoisestillexistsinHSIsimultaneouslyevenwithascriesofpr
5、eprocessing^Mostofthesedeeplearningmethodsonlyinvolvethenoisefilteringinspatialdomainwhilepaynoattentiontothatinspectraldomain.Sospectralnoiseispreservedindeepfeaturesafterdeepfeaturelearningprocess,whichdegradethepixelclassificationaccuracy.Giventheexcellentclassifi
6、cationaccuracyofSpectral-SpatialNetwork(SSN),thispaperproposetwodeepfeaturelearningmodelsfusedspectralnoisefilteringwithit,calledSaviztky-GaloyfilteringSSN(SG-SSN)andMedianFi1teringSSN(MF-SSN),respectively.ThemodelsremovespectralnoisebyusingSaviztky-Galoyf订teringorme
7、dianfilteringonspectreildomainfirst・Then,thedcnoiscdimageisfeedintoSSNtolearndeepfeaturesofHSIforitsexcellentclassificationeffects.ExperimentsontwopopularHSIdatasetsdemonstratetheeffectivenessofSG-SSNandMF-SSN,andclassificationresultismeasuredbyOveral1Accuracy(OA),Av
8、erageAccuracy(AA)andKappacoefficient.Howtheappropricitelayernumberofmodelaffectmodelperformanceisalsodiscussed.Keyword：Hyperspectra
