遥感与传感器

高光谱遥感影像分类通常基于地物光谱特征，但影像中同时还存在丰富的空间信息，许多研究表明空间信息的有效利用能够显著提高图像分类效果。卷积神经网络(CNN)已成功地应用在图像分类领域，因为卷积网络的特殊结构，对于二维图像分类具有很好的效果。那么如何将卷积网络应用到高光谱遥感影像中成为了技术关键。结合高光谱影像中的空间特征与光谱信息，我们提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型（3D-CNN），并在初始分类的基础上利用多标签条件随机场进行优化。实验选取了三个通用公开高光谱数据集(Indian Pines数据集、Pavia University、Pavia Center数据集)进行测试。实验表明分类优化后精度上得到很大提升，总体精度可达98%，Kappa系数达到97.2%.

李竺强, 朱瑞飞, 高放, 孟祥玉, 安源, 钟兴. 3D-CNN联合条件随机场优化的高光谱遥感影像分类[J]. 光学学报, 2018, 38(8): 1.  复制并引用该论文