基于多特征和改进自编码的高光谱图像分类

张倩; 董安国; 宋睿

doi:doi:10.3788/LOP57.081010

激光与光电子学进展, 2020, 57 (8): 081010, 网络出版: 2020-04-03

基于多特征和改进自编码的高光谱图像分类下载： 1090次

Hyperspectral Image Classification Based on Multiple Features and an Improved Autoencoder

张倩 ^1,*董安国 ¹宋睿 ²

作者单位

¹ 长安大学理学院, 陕西西安 710064

² 陕西师范大学计算机科学学院, 陕西西安 710000

图 & 表

图 1. 自编码网络结构

Fig. 1. Autoencoder network structure

下载图片查看原文

图 2. SSAE算法模型图

Fig. 2. SSAE algorithm model diagram

下载图片查看原文

图 3. PCA与LargeVis算法对比图。(a) PCA-Indian pines;(b) PCA-Pavia U;(c) LargeVis-Indian pines;(d) LargeVis-Pavia U

Fig. 3. Comparison of PCA and LargeVis algorithm. (a) PCA-Indian pines; (b) PCA-Pavia U; (c) LargeVis-Indian pines; (d) LargeVis-Pavia U

下载图片查看原文

图 4. EAP结构示意图

Fig. 4. EAP structure diagram

下载图片查看原文

图 5. 批量主动学习采样流程图

Fig. 5. Batch-mode active learning sampling strategy flow chart

下载图片查看原文

图 6. MF-AL-SSAE算法模型图

Fig. 6. MF-AL-SSAE algorithm model diagram

下载图片查看原文

图 7. Indian pines数据集的6种算法分类效果图。(a)原始图像;(b)实际地物;(c) SSAE算法;(d) SVM算法;(e) CK-SVM算法;(f) CLBP-SSAE算法;(g) EMAP-SSAE算法;(h) MF-AL-SSAE算法

Fig. 7. Classification renderings of six algorithms on the Indian pines dataset. (a) Original image; (b) real ground; (c) SSAE algorithm; (d) SVM algorithm; (e) CK-SVM algorithm; (f) CLBP-SSAE algorithm; (g) EMAP-SSAE algorithm; (h) MF-AL-SSAE algorithm

下载图片查看原文

图 8. Pavia U数据集的6种算法分类效果图。(a)原始图像;(b)实际地物;(c) SSAE算法;(d) SVM算法;(e) CK-SVM算法;(f) CLBP-SSAE算法;(g) EMAP-SSAE算法;(h) MF-AL-SSAE算法

Fig. 8. Classification renderings of six algorithms on the Pavia U dataset. (a) Original image; (b) real ground; (c) SSAE algorithm; (d) SVM algorithm; (e) CK-SVM algorithm; (f) CLBP-SSAE algorithm; (g) EMAP-SSAE algorithm; (h) MF-AL-SSAE algorithm

下载图片查看原文

图 9. 不同数据集的OA随训练样本个数的变化。(a) Indian pines;(b) Pavia U

Fig. 9. Variation in OA of different datasets with the number of training samples. (a) Indian pines; (b) Pavia U

下载图片查看原文

表 1Indian pines数据集的实验数据和分类精度

Table1. Experimental data and classification accuracies of the Indian pines dataset

Class	Sample		Classification accuracy /%
Class	Training	Test	SSAE	SVM	CK-SVM	CLBP-SSAE	EMAP-SSAE	MF-AL-SSAE
Alfalfa	5	41	53.42	57.32	93.91	92.12	94.26	96.88
Corn-notill	143	1285	76.53	78.98	95.49	96.31	94.68	98.38
Corn-mintill	83	747	46.17	67.67	95.87	97.48	96.50	98.66
Corn	23	214	52.33	51.62	94.38	96.65	96.22	96.92
Grass-pasture	50	433	83.65	85.21	94.27	94.25	95.98	96.65
Grass-trees	75	655	92.19	93.83	97.65	97.21	96.71	98.12
Grass-pasture-mowed	3	25	81.85	80.21	98.80	96.73	96.05	97.64
Hay-windrowed	49	429	93.58	94.68	98.95	97.24	96.58	97.93
Oats	2	18	42.78	37.78	67.80	73.31	76.63	94.25
Soybean-notill	97	875	67.49	69.71	93.34	92.87	94.43	96.28
Soybean-mintill	247	2208	68.12	74.56	96.89	96.26	96.52	98.83
Soybean-clean	61	532	37.91	64.71	95.33	96.64	94.49	97.11
Wheat	21	184	92.76	94.32	99.89	92.87	93.32	98.87
Woods	129	1136	93.45	91.68	95.08	98.35	97.68	100.00
Bidg-grass-trees-drives	38	348	31.03	54.39	93.65	95.79	94.94	97.83
Stone-steel-towers	10	83	90.80	86.36	97.63	95.51	94.75	97.91
OA /%			76.65	77.53	94.86	95.42	96.63	98.14
Kappa			0.74	0.75	0.94	0.95	0.96	0.97

查看原文

表 2Pavia U数据集的实验数据和分类精度

Table2. Experimental data and classification accuracies of the Pavia U dataset

Class	Sample		Classification accuracy /%
Class	Training	Test	SSAE	SVM	CK-SVM	CLBP-SSAE	EMAP-SSAE	MF-AL-SSAE
Asphalt	200	6431	56.86	57.32	96.91	90.54	92.56	94.88
Meadows	200	18389	77.68	78.98	96.49	92.36	95.68	96.58
Grave	200	1899	65.17	67.67	95.87	95.48	96.50	97.66
Trees	200	2864	60.83	51.62	97.34	96.65	96.22	96.84
Painted metal sheets	200	1145	50.84	90.21	98.27	94.25	92.98	96.14
Baresoil	200	4829	92.19	94.83	96.65	94.21	95.11	97.56
Bitumen	200	1130	73.85	69.21	96.80	96.73	97.05	97.64
Self-blocking bricks	200	3842	94.58	96.68	95.25	94.55	94.58	93.95
Shadows	200	747	42.78	57.78	98.37	97.31	97.63	98.45
OA /%			76.87	78.03	97.86	95.78	95.98	97.24
Kappa			0.75	0.76	0.97	0.94	0.95	0.96

查看原文

张倩, 董安国, 宋睿. 基于多特征和改进自编码的高光谱图像分类[J]. 激光与光电子学进展, 2020, 57(8): 081010. Qian Zhang, Anguo Dong, Rui Song. Hyperspectral Image Classification Based on Multiple Features and an Improved Autoencoder[J]. Laser & Optoelectronics Progress, 2020, 57(8): 081010.

基于多特征和改进自编码的高光谱图像分类下载： 1090次

图 1. 自编码网络结构

Fig. 1. Autoencoder network structure

图 2. SSAE算法模型图

Fig. 2. SSAE algorithm model diagram

图 3. PCA与LargeVis算法对比图。(a) PCA-Indian pines;(b) PCA-Pavia U;(c) LargeVis-Indian pines;(d) LargeVis-Pavia U

Fig. 3. Comparison of PCA and LargeVis algorithm. (a) PCA-Indian pines; (b) PCA-Pavia U; (c) LargeVis-Indian pines; (d) LargeVis-Pavia U

图 4. EAP结构示意图

Fig. 4. EAP structure diagram

图 5. 批量主动学习采样流程图

Fig. 5. Batch-mode active learning sampling strategy flow chart

图 6. MF-AL-SSAE算法模型图

Fig. 6. MF-AL-SSAE algorithm model diagram

图 7. Indian pines数据集的6种算法分类效果图。(a)原始图像;(b)实际地物;(c) SSAE算法;(d) SVM算法;(e) CK-SVM算法;(f) CLBP-SSAE算法;(g) EMAP-SSAE算法;(h) MF-AL-SSAE算法

Fig. 7. Classification renderings of six algorithms on the Indian pines dataset. (a) Original image; (b) real ground; (c) SSAE algorithm; (d) SVM algorithm; (e) CK-SVM algorithm; (f) CLBP-SSAE algorithm; (g) EMAP-SSAE algorithm; (h) MF-AL-SSAE algorithm

图 8. Pavia U数据集的6种算法分类效果图。(a)原始图像;(b)实际地物;(c) SSAE算法;(d) SVM算法;(e) CK-SVM算法;(f) CLBP-SSAE算法;(g) EMAP-SSAE算法;(h) MF-AL-SSAE算法

Fig. 8. Classification renderings of six algorithms on the Pavia U dataset. (a) Original image; (b) real ground; (c) SSAE algorithm; (d) SVM algorithm; (e) CK-SVM algorithm; (f) CLBP-SSAE algorithm; (g) EMAP-SSAE algorithm; (h) MF-AL-SSAE algorithm

图 9. 不同数据集的OA随训练样本个数的变化。(a) Indian pines;(b) Pavia U

Fig. 9. Variation in OA of different datasets with the number of training samples. (a) Indian pines; (b) Pavia U

表 1Indian pines数据集的实验数据和分类精度

Table1. Experimental data and classification accuracies of the Indian pines dataset

表 2Pavia U数据集的实验数据和分类精度

Table2. Experimental data and classification accuracies of the Pavia U dataset

关于本站 Cookie 的使用提示

全站搜索

基于多特征和改进自编码的高光谱图像分类 下载： 1090次

图 1. 自编码网络结构

Fig. 1. Autoencoder network structure

图 2. SSAE算法模型图

Fig. 2. SSAE algorithm model diagram

图 3. PCA与LargeVis算法对比图。(a) PCA-Indian pines;(b) PCA-Pavia U;(c) LargeVis-Indian pines;(d) LargeVis-Pavia U

Fig. 3. Comparison of PCA and LargeVis algorithm. (a) PCA-Indian pines; (b) PCA-Pavia U; (c) LargeVis-Indian pines; (d) LargeVis-Pavia U

图 4. EAP结构示意图

Fig. 4. EAP structure diagram

图 5. 批量主动学习采样流程图

Fig. 5. Batch-mode active learning sampling strategy flow chart

图 6. MF-AL-SSAE算法模型图

Fig. 6. MF-AL-SSAE algorithm model diagram

图 7. Indian pines数据集的6种算法分类效果图。(a)原始图像;(b)实际地物;(c) SSAE算法;(d) SVM算法;(e) CK-SVM算法;(f) CLBP-SSAE算法;(g) EMAP-SSAE算法;(h) MF-AL-SSAE算法

Fig. 7. Classification renderings of six algorithms on the Indian pines dataset. (a) Original image; (b) real ground; (c) SSAE algorithm; (d) SVM algorithm; (e) CK-SVM algorithm; (f) CLBP-SSAE algorithm; (g) EMAP-SSAE algorithm; (h) MF-AL-SSAE algorithm

图 8. Pavia U数据集的6种算法分类效果图。(a)原始图像;(b)实际地物;(c) SSAE算法;(d) SVM算法;(e) CK-SVM算法;(f) CLBP-SSAE算法;(g) EMAP-SSAE算法;(h) MF-AL-SSAE算法

Fig. 8. Classification renderings of six algorithms on the Pavia U dataset. (a) Original image; (b) real ground; (c) SSAE algorithm; (d) SVM algorithm; (e) CK-SVM algorithm; (f) CLBP-SSAE algorithm; (g) EMAP-SSAE algorithm; (h) MF-AL-SSAE algorithm

图 9. 不同数据集的OA随训练样本个数的变化。(a) Indian pines;(b) Pavia U

Fig. 9. Variation in OA of different datasets with the number of training samples. (a) Indian pines; (b) Pavia U

表 1Indian pines数据集的实验数据和分类精度

Table1. Experimental data and classification accuracies of the Indian pines dataset

表 2Pavia U数据集的实验数据和分类精度

Table2. Experimental data and classification accuracies of the Pavia U dataset

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于多特征和改进自编码的高光谱图像分类下载： 1090次