CNN高光谱数据分类实验探究

13.3.3.1 实验数据简介

本实验用到的高光谱数据库为Indian Pines。此数据库场景的拍摄内容为位于美国的印第安纳州西北部的Indian Pines测试区域，地表覆盖类型混合了林地、道路、农田、房屋建筑等。标记的样本分布不均衡，并且部分类别样本较少。各种农作物基本都处于生长初期，对地表的林冠覆盖程度只有5%，裸地和作物残渣对植被像元分类影响明显。Indian Pines图像大小为145×145像素，波长范围为0.4～2.5μm，220个波段，空间分辨率为20m，去除坏波段和水体吸收的波段，试验中使用200个波段，如图13-23所示：图13-23a表示Indian Pines数据灰度图像；图13-23b表示其对应的地面真值。此场景中主要内容为自然制备，其中60%以上为农业场景，30%以上为森林场景和其他常年自然植被，共包含地物信息16类，见表13-1。

13.3.3.2 建立CNN模型

1.数据预处理

Indian Pines共10249个样本，首先选出标签不为0的数据，然后将数据按照各属性归一化到0～1。样本维度为200，将其转变为二维数组20×10，随机选取80%作为训练，20%作为测试。标签1～16采用one-hot编码，例如1（1000000000000000）、2（0100000000000000），以此类推。

图13-23 Indian Pines数据及地面真值

表13-1 Indian Pines数据含有的类别及样本数量

(www.xing528.com)

2.CNN模型的参数设置

CNN模型的参数选取见表13-2。

表13-2 CNN模型参数选取

3.实验结果

按照表13-2所设置的参数，CNN模型对Indian Pines进行实验，分类的准确率为91.4%。

4.模型对比

采用SVM模型做对比，损失函数采用e-SVR，核函数中的degree设置（针对多项式核函数）设置为2，n-fold交互检验模式中的n设置为2，其余参数均为默认参数。实验分类准确率为89.5%。通过对比可以看出，CNN模型的分类准确率高，所以CNN模型更好。