基于深度学习的高光谱图像分类研究

基于深度学习的高光谱图像分类研究

马晨阳2 魏薇3

（山东协和学院 商学院，山东济南，250109）

摘要：高光谱图像的波段多、维度高，图像中蕴含着丰富的信息，在军事、农业、食品和医学等领域具有重要的应用价值。高光谱图像分类是高光谱领域的研究热点，对于促进经济发展和改善民生福祉具有重要意义。然而，由于高光谱图像存在数据冗余性大和标记样本数量不足等问题，严重影响分类精度的进一步提高。因此，为了充分提取高光谱图像中的判别性特征，在有限的标签样本和较低的计算成本下取得较好的分类结果，本文的主要研究了针对高光谱图像的判别性特征提取难度大以及计算冗余的问题，提出了一种基于密集非对称卷积与空洞卷积空闲块网络的高光谱图像分类算法。

关键字：高光谱图像分类 卷积神经网络

一、研究背景与意义

高光谱图像分类是高光谱图像的核心应用之一，它通过给图像中的所有像素都赋予一个特定的类别标签，实现对地物的识别和分析。在现实生活中，高光谱图像分类技术已经取得了广泛的应用。例如:在林业中，监测不同植被的土地覆盖率的变化，评估生物多样性;在生物医学上，识别各种病理状况;在大气监测方面，监测空气中水蒸气的含量和空中云层的厚度;在食品安全方面，评估食品的质量和安全性等。

然而，在高光谱图像分类任务中，依旧存在众多难点，主要包括以下三点:

1.维数灾难问题。高光谱图像的波段数多、维度高、数据冗余性大，很容易导致数据的高度非线性，降低模型的泛化性能，而且容易引发休斯现象。

2.光谱变异性问题。在高光谱图像中，同一类别的地物可能具有不同的光谱特征，而不同类别的地物可能具有相同的光谱特征R，这一问题的存在会加大对地物进行正确分类的难度。

12023年大学生创新创业训练计划项目《光谱人生——食品安全守护者》（项目编号：S202313324164S

）阶段性成果。

2马晨阳（2021-），山东协和学院学生。

3魏薇（1984-），山东协和学院副教授。

综上所述，高光谱图像分类在实际应用中具有重要意义。然而，如何充分利用高光谱图像的数据特性和优势，学习图像中丰富的信息，仍是具有挑战性的难题。本课题围绕高光谱图像分类展开研究，探索新的思路和方法，旨在有限的标签样本和较低的计算成本下提升深度神经网络的特征提取能力，实现精细分类。

二、高光谱图像分类理论基础

一般情况下，高光谱图像分类可以分为数据预处理、样本标记、特征提取、分类和性能评价这五个步骤：

1.数据预处理

高光谱图像中包含大量冗余的波段和噪声，数据预处理是在分类之前对待分类图像进行降维、波段选取和去除、大气校正、几何校正以及去噪等处理，是高光谱图像分类流程中关键的一步。

2.样本标记

高光谱图像中每个像素点的类别都需要研究人员依据一定的先验知识进行逐个标记，为分类任务提供标记样本，样本标记是所有后续步骤的基础。

随着深度学习的发展，CNN的应用越来越广泛。为了应对更加复杂的图像处理任务，近年来出现了许多性能卓越的卷积变体，例如组卷积o、非对称卷积、可变形卷积S"'、空洞卷积和反卷积等。其中，组卷积是在通道维度上将输入张量分成若干组，和常规卷积相比，可以用更低的参数量和运算量生成更多的特征图;非对称卷积是使用长宽不相等的非对称卷积核来代替长宽相等的正方形卷积核，能够在不降低感受野的情况下减少参数量;空洞卷积引入了一个称为“空洞率”的超参数，可以扩大感受野，并且不会带来额外的参数量;反卷积是卷积的逆向操作，用来扩大图像的尺寸。接下来详细介绍本文使用的非对称卷积、可变形卷积和空洞卷积。

三、实验结果与分析

1.消融实验

为了充分验证 DAC-DCIN模型中各个部分的有效性，本节在四个数据集上进行了三组消融实验。第一组消融实验用于验证密集非对称卷积模块的有效性，考虑了两种情况，分别为:(1)使用常规的三维卷积代替非对称卷积，对应的模型命名为DC-DCIN (Dense Convolution and Dilated Convolution Idle BlockNetwork);(2)从 DAC-DCIN模型中完全移除密集非对称卷积模块，对应的模型命名为DCIN (Dilated Convolution Idle Block Network)，实验结果如表3-5所示。第二组消融实验用于验证空洞卷积空闲块的有效性，也考虑了两种情况:(1)删除空闲块中包含空洞卷积的改进的激活分支，对应的模型命名为DAC-CIN(Dense Asymmetric Convolution and Convolution Idle Block Network); (2)移除整个空洞卷积空闲块，只保留密集非对称卷积模块，对应的模型命名为DACN (DenseAsymmetric Convolution Network)，实验结果如表3-6所示。第三组消融实验用于验证Mish激活函数的有效性，比较激活函数分别为Mish函数和ReLU函数时DAC-DCIN的分类结果。

2.不同算法对比试验

不同算法对UP数据集的分类结果由于UP数据集中的样本数量足够，即使只选取0.5%的样本当作训练集，每一类地物的样本数量也很充足，因此 CDCNN算法的分类结果超过了SVM 算法。FDSSC和 DBDA 的网络结构比HybridSN更为复杂，在样本充足的情况下，分类性能比HybridSN更优异。本章的DAC-DCIN算法在三个分类评价指标上均获得了最好的结果，OA、AA和Kappa值分别为98.27%、97.36%和 97.76%，相较于其他五个算法，OA值提升了0.77%-15.19%，AA值提升了1.07%-17.64%，Kappa值提升了1.08%-20.69%。

不同算法对UP数据集的分类结果的粉色区域中被错分的点比较多，说明SVM、CDCNN和 HybridSN对第六类地物Bare soil 的分类效果比较差。对比可知，FDSSC对第三类地物Gravel 的分类结果比较差，DBDA对第七类地物Bitumen的分类结果比较差，DAC-DCIN对每一类地物的分类结果都很好，地物边界处也更为平滑。实验结果说明，在 DAC-DCIN模型中利用密集非对称卷积来挖掘更多尺度的信息，通过空洞卷积空闲块来扩大感受野，组合不同特征张量以优化特征提取，可以提升模型的表达能力，提高分类性能。

四、总结与展望

本文提出的两种基于深度学习的高光谱图像分类算法在有限的标记样本和计算成本下明显提升了分类性能，但目前所做的工作仍存在一些不足之处，需要继续深究和探索，主要包括以下几个方面:

1.在本文所提出的基于CNN和Transformer混合网络的高光谱图像分类算法中，模型的复杂度仍存在进一步降低的空间。在未来的工作中，我们将与更多简洁高效的模型进行比较，并致力于探索降低模型复杂度的方法，设计更加有效的轻量级模块，以进一步提升高光谱图像算法的分类性能。同时，我们还将尝试设计基于CNN和Transformer的具有光谱和空间双分支的端对端混合网络，以实现更好的分类效果。

2.本文所做的高光谱分类工作中，采用的都是公共数据集，地物类别以及分布情况相对于现实场景而言较为简单。并且在实际的高光谱图像分类任务中，大部分数据集的样本都没有标签，如何充分挖掘这些缺乏标签的高光谱图像中的丰富信息，提升模型的分类性能，是值得我们重点关注的问题。因此，未来需要拓展研究，对更加复杂且具有挑战性的数据集进行实际应用效果的验证，以评估算法的实际性能。

参考文献：

[1]唐婷,潘新.一种基于可变形卷积的高光谱图像分类算法[J].光电子·激光, 2022(488-494)。

[2]程文娟,陈文强.基于MCFFN-Attention的高光谱图像分类[J].计算机工程与应用,2020(201-206)。

[3]郑姗姗,刘文,单锐,等.一种改进多尺度三维残差网络的高光谱图像分类方法[J].计算机工程,2020(215-221)。
    [4]付光远,辜弘炀,汪洪桥.基于卷积神经网络的高光谱图像谱-空联合分类[J].科学技术与工程,2017(268-274)。