基于多尺度卷积融合的高光谱图像分类网络
2025-08-26梁玉莲王晶
电脑知识与技术 2025年20期
关键词:光谱






摘要:针对高光谱图像分类中多尺度特征提取能力薄弱以及光谱—空间特征融合机制不够灵活等问题,文章提出一种基于多尺度卷积融合的高光谱图像分类网络。该模型设计了新颖的多尺度卷积融合模块,通过双分支异构结构有效解耦光谱特征并构建层次化空间特征提取器,从而实现对高光谱图像的高效光谱—空间联合建模。在IndianPines、PaviaUniversity和Houston2013三种经典开源数据集上的实验结果表明,与五种基线方法相比,所提模型显著增强了多尺度特征的表征能力,并展现出更优的高光谱图像分类效果。
关键词:高光谱图像分类;多尺度特征融合;光谱—空间联合建模
中图分类号:TP391文献标识码:A
文章编号:1009-3044(2025)20-0026-05
0引言
高光谱图像(HyperspectralImage,HSI)是一种包含数百个连续窄波段光谱信息的遥感数据,具有“图谱合一”的特点,能够同时提供丰富的光谱特征和空间结构信息。作为遥感地物分类与目标检测研究的核心任务,高光谱图像分类在农业监测、环境调查、军事侦察等领域具有重要应用价值。
然而,高光谱遥感图像固有的光谱维度高冗余性、空间分辨率有限以及混合像元普遍存在等特性,使得传统基于手工特征提取的机器学习分类方法(如决策树等)在应对光谱变异性和复杂空间结构时面临挑战[1]。受限于浅层模型的表征能力,传统机器学习方法难以充分挖掘高光谱数据中的深层非线性特征和空间上下文关联。
近年来,深度学习的发展推动了卷积神经网络(CNN)在HSI分类中的应用,显著提升了光谱与空间信息的联合建模能力,并在该领域得到了广泛验证。……
登录APP查看全文
