融合多层特征SENet和多尺度宽残差的高光谱图像地物分类

• 全文链接
• 请求原文

作   者：

于慧伶;  霍镜宇;  张怡卓; 

作者机构：

东北林业大学机电工程学院;  东北林业大学信息与计算机工程学院; 

关键词：

高光谱图像分类;  主成分分析法;  地物分类;  多尺度宽残差;  多层特征SENet;  加权平均; 

期刊名称：

实验室研究与探索

i s s n：

1006-7167

年卷期：

2020 年 39 卷 007 期

页   码：

28-34,44

摘   要：

提出了一种融合多层特征SENet和多尺度宽残差的高光谱图像地物分类的方法.实验选取Indian Pines和Pavia University为研究对象,结果表明,SE-Inception-Resnet-MSWideResnet(SEIR-MSWR)网络结构的总体分类精度为99.33%、99.52%,Kappa系数为0.98时,分类效果最优,相较于支持向量机(Support Vector Machine,SVM)、K最近邻法(K-NearestNeighbor,KNN),宽残差网络(Wide Resnet Network,WRN)以及InceptionV2-Resnet,总体分类精度分别提高了20.86%、20.09%、5.48%、3.39%、23.1%、16.89%、6.66%、2.58%,Kappa系数分别提高了0.18、0.17、0.06、0.04、0.22、0.17、0.07、0.03,均表现出良好的性能.该方法更好地提取了高光谱图像的本质特征,进而提高了高光谱图像地物的分类精度.