基于改进2DCNN的高光谱遥感图像处理研究

来源：南京信息工程大学学报·自然科学版杂志2024年第1期北京时间：

作者：赵章红，张丹，胡昊，陈琳，常升龙

单位：赵章红,黄河水利职业技术学院 测绘工程学院, 开封, 475004;河南省测绘实景三维技术工程研究中心, 开封, 475004;河南恒茂创远科技股份有限公司, 郑州, 450000,张丹,黄河水利职业技术学院 测绘工程学院, 开封, 475004;河南省测绘实景三维技术工程研究中心, 开封, 475004,胡昊,黄河水利职业技术学院 测绘工程学院, 开封, 475004;河南省测绘实景三维技术工程研究中心, 开封, 475004,陈琳,黄河水利职业技术学院 测绘工程学院, 开封, 475004;河南省测绘实景三维技术工程研究中心, 开封, 475004,常升龙,河南农业大学 农学院, 郑州, 4500460,sl_chang@126.comis_first_author:0,is_contact_author:,sequence:5,first_name:,middle_name:,last_name:,resume:,institute_superscript:

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Pavia University HSI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(5 s／epoch)和1DCNN位于同一量级,快于3DCNN(96 s／epoch);参数量(2.01 MB)较改进前降低了1.54 MB,虽高于3DCNN(316 KB),但远低于1DCNN(19.21 MB).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

基金资助：河南省高等学校重点科研项目(21B420002,222102210092);河南省高等教育教学改革研究与实践项目(2021SJGLX667);测绘地理信息职业教育研究课题(2021CHZD02);高分辨率对地观测系统国家科技重大专项(80-Y50G19-9001-22/23);教育部科技发展中心创新应用课题(ZJXF2022083,ZJXF2022041);河南省职业教育教学改革研究与实践重大项目(2023-ZYJYZD-003)