基于残差3DCNN和三维Gabor滤波器的高光谱图像分类

高光谱图像含有数百个波段,包含丰富的光谱信息,因此被广泛应用于地物分类中,但仍存在着维数灾难的问题.高光谱图像中同时也含有丰富的纹理信息,有效利用纹理信息能够显著提高分类精度.三维Gabor滤波器不仅能够保留图像丰富的光谱信息,还能提取到图像的纹理特征.为了充分利用高光谱图像的特征,提出一种基于三维Gabor和残差三维卷积神经网络(Res-3DCNN)的分类方法.三维卷积神经网络(3DCNN)能够直接对三维立方体数据进行处理,提取到深层纹理-光谱信息,然而随着网络层的加深会产生网络退化问题,因此利用残差思想对3DCNN模型进行改进.在PaviaU,Indian Pines和Salinas 3个公共高光谱图像数据集上进行实验,分别取得99.17％,97.40％,98.56％的平均分类精度,结果表明该方法能有效提高高光谱图像的地物分类精度.