最新发表：基于堆叠特征空间的高光谱影像作物分类方法

+ 查看更多

       

      高光谱遥感数据包含丰富的光谱信息，已被广泛应用于作物的分布和监测其动态变化。特征选择在高光谱遥感分类系统中起着至关重要的作用。目前，特征的利用主要包括专家知识参与的传统特征选择和与卷积神经网络结合紧密的自动特征选取。CNN自动特征选取可以从输入数据中自动提取面向领域的高级特征，从而达到更高的分类精度。然而，这种方式有以下缺点：为了更好的提取光谱和空间特征，网络设计更复杂的网络，样本需求更大，训练参数更多，普通用户使用困难，计算负担大。同时，传统特征选择已被相关研究证明可以提高包含CNN在内多类分类器的精度。目前，将传统特征选择方法与CNN高级空间特征自动提取相结合是一种逐渐流行的分类策略。但是，现在的结合方法中，空间特征与光谱信息并未综合利用，未在作物分类中体现高光谱影像的丰富光谱信息。同时利用传统特征选择挖掘光谱特征，并与CNN结合自动提取面向领域的高级特征的方法还没有得到探索。

      论文提出了一种新颖的光谱特征：堆叠光谱特征空间图（stacked spectral feature space patch，SSFSP），用于基于CNN的高光谱遥感影像作物分类。该特征将原隐性的光谱特征转换为显性的空间特征，可以与二维CNN相结合以同时挖掘光谱和空间特征（图1）。在多个高空间分辨率高光谱数据集进行的比较研究表明，SSFSP相较于原始光谱的输入，能取得更高的分类精度（图2）。SSFSP具有三个方面的优势：首先，SSFSP可以挖掘任意两个波段之间的相互关系，且具有很强的特征泛化能力，减少了所需训练样本的数量（图3a）。第二，对特征空间进行网格划分的操作使得类内方差可以得到很大程度的降低（图3b）。第三，SSFSP是一个高度稀疏的特征，它减少了对CNN模型结构的依赖，使模型训练能够在早期快速收敛，在多种CNN模型下都能取得很高的分类精度，且没有明显差异（图3c）。本方法基本思想简单，易操作，可以大大降低使用CNN对作物分类时，对网络结构设计、模型调参的需求，对样本质量的依赖，能获得更稳定高质量的作物分布制图，在实际生产时能显著节省人力精力，具有巨大的应用潜力。

     该论文已发表于The Crop Journal（JCR Q1，IF=4.47）上。

Reference： H. Chen, Yue’an Qiu, D. Yin et al., Stacked spectral feature space patch: An advanced spectral representation for precise crop classification based on convolutional neural network, The Crop Journal, https://doi.org/10.1016/j.cj.2021.12.011

URL: https://www.sciencedirect.com/science/article/pii/S2214514122000332?via%3Dihub