3维卷积递归神经网络的高光谱图像分类方法.pdf

《3维卷积递归神经网络的高光谱图像分类方法》 高光谱图像，因其包含丰富的空间和光谱信息，一直以来都是遥感、环境监测等领域的重要研究对象。为了充分利用这些信息，一种名为3维卷积递归神经网络（3D-CRNN）的高光谱图像分类方法被提出。这种方法旨在结合3D卷积神经网络和双向循环神经网络，以提取图像的局部空间特征和光谱联合特征，从而提高分类精度。 3D卷积神经网络（3D-CNN）在处理高光谱图像时，能够捕捉到像素邻域内的空间关系。相比于传统的2D卷积，3D-CNN通过在第三维度（即光谱维度）上进行卷积，能同时考虑空间和光谱信息，有效提取图像的局部空间特征。这有助于识别那些仅凭单一光谱信息难以区分的物体。 接着，为了进一步挖掘光谱信息并结合之前提取的空间特征，文章采用了双向循环神经网络（Bi-RNN）。Bi-RNN能够从前向和后向两个方向处理序列数据，这样可以捕获时间序列或序列结构中的长期依赖关系。在此应用中，Bi-RNN对融合了空间信息的光谱数据进行训练，提取出更深层次的光谱联合特征，增强了特征表示的丰富性和多样性。 通过Softmax损失函数训练分类器，实现对高光谱图像的分类。Softmax函数可以将模型的输出转化为概率分布，使得每个样本可以被分配到一个最可能的类别，从而实现高效准确的分类。 实验结果显示，3D-CRNN模型在Pavia University和Indian Pines数据集上的总体分类精度分别达到了99.94%和98.81%，明显优于其他基于深度学习的分类方法。这种端到端的训练方式减少了预处理和后处理的复杂性，同时能充分提取空间和光谱数据中的语义信息，对于高光谱图像的特征提取具有重要的启示意义。 3D-CRNN结合了3D-CNN的空间特征提取能力和Bi-RNN的序列信息处理能力，为高光谱图像的分类提供了一种强大而有效的工具，有望在遥感、环境监测等领域得到广泛应用。这种方法的成功实践，进一步推动了深度学习在高光谱图像分析领域的技术发展。