深度学习驱动的高光谱图像空-谱特征提取提升分类精度

"本文介绍了一种基于深度学习的高光谱图像空-谱联合(SSDL)特征提取算法，旨在高效地提取高光谱遥感数据的空-谱特征。通过使用堆栈自动编码机的多层深度学习模型，该算法能挖掘图像的深层非线性特征，并结合空间近邻信息，增强数据的同类聚集性和非同类分散度，从而提高分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上的实验结果显示，即使在低样本比例（1%和5%）下，也能实现高分类精度（91.05%-97.50%），证明了SSDL算法在融合非线性特征和空间信息方面的优越性，对于高光谱图像分析具有重要意义。" 高光谱图像是一种包含多个连续光谱波段的遥感图像，它能提供丰富的光谱信息，用于地物识别和分类。然而，高光谱数据的复杂特性，如波段数量多、特征非线性和空间相关性，给特征提取带来了挑战。传统的特征提取方法可能无法有效地捕捉这些复杂的特征。 深度学习，特别是自动编码机（Autoencoder，AE）的堆栈版本（Stacked Autoencoder, SAE），已经成为解决这一问题的有效工具。SAE是一种无监督学习方法，能够逐步学习数据的多层次表示，从而发现潜在的非线性特征。在高光谱图像处理中，SAE可以逐层学习并压缩高光谱数据，减少冗余信息，同时保留关键特征。 SSDL算法进一步结合了空间信息。在SAE学习的特征基础上，SSDL算法考虑了每个特征像元的空间邻域，利用空间上下文信息来增强特征的表达能力。这种空-谱联合不仅增强了同类像素的聚类效果，还增大了不同类像素之间的差异，从而提高了分类的准确性。 实验在两个经典高光谱数据集——帕维亚大学和萨利纳斯山谷上进行了验证。在1%和5%的训练样本比例下，SSDL算法均展示了出色的分类性能，超过了其他同类算法。这表明SSDL特征提取方法在处理小样本问题时也具有较高的泛化能力，对于实际应用中的高光谱图像分析具有重要的参考价值。 基于深度学习的空-谱联合特征提取是高光谱图像处理的一个重要方向，SSDL算法的成功应用为高光谱图像的地物分类提供了新的思路和技术支持。未来的研究可能会进一步优化这种方法，例如集成更复杂的深度学习模型或引入更多类型的上下文信息，以实现更高的分类精度和更强的鲁棒性。