融合多層特征SENet 和多尺度寬殘差的高光譜圖像地物分類(lèi)

于慧伶， 霍鏡宇， 張怡卓

（東北林業(yè)大學(xué)a．信息與計(jì)算機(jī)工程學(xué)院；b．機(jī)電工程學(xué)院，哈爾濱150040）

0 引 言

高光譜圖像具有較高的光譜分辨率、豐富的光譜信息以及空間分布信息，常應(yīng)用于很多不同的領(lǐng)域，例如礦業(yè)、天文學(xué)、化學(xué)成像、精確農(nóng)業(yè)、環(huán)境監(jiān)測(cè)和公共安全等方面［1］。近年來(lái)，高光譜圖像分類(lèi)成為國(guó)內(nèi)外的研究熱點(diǎn)，其中對(duì)地物進(jìn)行詳細(xì)分類(lèi)是高光譜圖像處理的主要研究問(wèn)題［2］。

目前，高光譜圖像分類(lèi)主要分為非監(jiān)督分類(lèi)方法、半監(jiān)督分類(lèi)方法和監(jiān)督分類(lèi)方法，非監(jiān)督分類(lèi)方法主要包括k-均值方法、非監(jiān)督模糊聚類(lèi)以及相應(yīng)的改進(jìn)算法等；半監(jiān)督分類(lèi)方法主要包括自訓(xùn)練、基于圖的方法以及相應(yīng)的改進(jìn)算法等；監(jiān)督分類(lèi)方法主要包括支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)以及相應(yīng)的改進(jìn)算法等。岳江等［3］提出了一種基于空間一致性降元的高光譜圖像非監(jiān)督分類(lèi)的方法，但這種方法對(duì)含有多材質(zhì)、多目標(biāo)的復(fù)雜場(chǎng)景的高光譜圖像分類(lèi)效果不是很理想；Salem等［4］提出了一種基于模糊C-均值的非監(jiān)督光譜-空間SVM高光譜圖像分類(lèi)方法，但是這種方法需要對(duì)大規(guī)模的樣本進(jìn)行標(biāo)注；王君言等［5］提出了基于DL1圖和KNN圖疊加圖的高光譜圖像半監(jiān)督分類(lèi)的算法，但是這種方法在處理大樣本數(shù)據(jù)的分類(lèi)中分類(lèi)精度不是很高；Samiappan等［6］提出了一種結(jié)合半監(jiān)督協(xié)同訓(xùn)練和主動(dòng)學(xué)習(xí)的框架。但是由于標(biāo)簽數(shù)據(jù)過(guò)少，高光譜圖像的分類(lèi)精度依舊不是很高；冉瓊等［7］提出了結(jié)合超像元和子空間投影支持向量機(jī)的高光譜圖像分類(lèi)的方法，但是這種方法中超像元的個(gè)數(shù)無(wú)法準(zhǔn)確確定；Shamsolmoali等［8］提出了一種網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類(lèi)的方法，但是這種方法的分類(lèi)精度還有待提升。

以上分類(lèi)方法雖然取得了較好的效果，但在性能和準(zhǔn)確率上仍有進(jìn)一步提升的空間。為此，本文提出了一種全新的應(yīng)用于高光譜圖像分類(lèi)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)SE-Inception-Resnet-MSWideResnet（SEIRMSWR）。首先，利用主成分分析法（Principal Component Analysis，PCA）對(duì)原始的高光譜圖像進(jìn)行降維處理。其次，提出兩個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，①引入一個(gè)新的結(jié)構(gòu)單元，稱(chēng)之為“擠壓和激勵(lì)模塊”（Squeeze-and-Excitation，SENet），將其分別嵌入到Inception-Resnet-A、 Inception-Resnet-B、 Inception-Resnet-C中，通過(guò)學(xué)習(xí)網(wǎng)絡(luò)中各個(gè)特征通道的重要程度，提升有用的特征并抑制對(duì)當(dāng)前任務(wù)用處不大的特征。另外，由于SENet模塊在網(wǎng)絡(luò)結(jié)構(gòu)的不同層上會(huì)有不同的作用，為了增強(qiáng)網(wǎng)絡(luò)的泛化性能，將網(wǎng)絡(luò)結(jié)構(gòu)的低層特征、中間層特征以及高層特征結(jié)合組成更具有表征能力的特征信息。最后，通過(guò)Softmax層實(shí)現(xiàn)對(duì)高光譜圖像的分類(lèi)。②為每一個(gè)寬殘差網(wǎng)絡(luò)模塊增加更多并行的卷積層。將經(jīng)過(guò)同一輸入層映射出的多種不同的輸出結(jié)果最后連接到一個(gè)輸出，更精確地獲取高光譜圖像的特征，實(shí)現(xiàn)對(duì)高光譜圖像的分類(lèi)。最后，通過(guò)結(jié)果加權(quán)平均模型融合的方式獲得高光譜圖像的類(lèi)別。

1 深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)

針對(duì)高光譜圖像分類(lèi)的問(wèn)題，提出了一種融合多層特征SENet和多尺度寬殘差的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)SEIR-MSWR，該結(jié)構(gòu)不僅能同時(shí)提取高光譜圖像的光譜和空間特征，而且能提高高光譜圖像的分類(lèi)精度，如圖1所示。

圖1 融合多層特征SENet和多尺度寬殘差網(wǎng)絡(luò)結(jié)構(gòu)模型

首先，利用PCA算法對(duì)高光譜圖像進(jìn)行降維處理；其次，分別利用多層特征SENet網(wǎng)絡(luò)結(jié)構(gòu)模型（SEInception-Resnet）和多尺度寬殘差網(wǎng)絡(luò)結(jié)構(gòu)模型（MSWideResnet）對(duì)高光譜圖像進(jìn)行分類(lèi)；最后，利用結(jié)果加權(quán)平均模型融合的方式輸出高光譜圖像的類(lèi)別。

1.1 多層特征SENet網(wǎng)絡(luò)模型

1.1.1 SENet結(jié)構(gòu)

Hu 等［9］提出了Squeeze-and-Excitation Networks（SENet）架構(gòu)，該結(jié)構(gòu)由Squeeze、Excitation、Reweight三部分組成，它允許網(wǎng)絡(luò)通過(guò)學(xué)習(xí)全局信息實(shí)現(xiàn)對(duì)特征的重新校準(zhǔn)，構(gòu)建特征通道之間的相互依賴(lài)關(guān)系，激勵(lì)對(duì)分類(lèi)有用的特征，抑制對(duì)分類(lèi)不太有用的特征［10］，如圖2所示。首先是Squeeze操作，順著空間維度對(duì)輸入特征圖進(jìn)行全局平均池化，得到大小為C×1×1的特征圖（C為特征圖通道數(shù)）。其次是Excitation操作，經(jīng)過(guò)兩個(gè)全連接層后由Sigmoid函數(shù)激活，得到大小為C×1×1的權(quán)重。最后一個(gè)是Reweight的操作，在對(duì)應(yīng)位置與原輸入特征圖相乘，得到輸出。

圖2 SENet模型結(jié)構(gòu)

1.1.2 構(gòu)建多層特征SENet網(wǎng)絡(luò)模型

如圖3所示，參照InceptionV2-Resnet網(wǎng)絡(luò)結(jié)構(gòu)，將SENet模塊分別嵌入到Inception-Resnet-A，Inception-Resnet-B，Inception-Resnet-C中，同時(shí)將網(wǎng)絡(luò)的多層特征進(jìn)行融合。各模塊設(shè)計(jì)如圖4所示。

圖3 多層特征SENet網(wǎng)絡(luò)模型

圖4 各模塊設(shè)計(jì)

網(wǎng)絡(luò)結(jié)構(gòu)具體參數(shù)如下：

（1）第1層卷積層中卷積核數(shù)目為16，卷積核大小為3×3，步長(zhǎng)stride為1。

（2）在SE-Inception-Resnet-A模塊中，首先進(jìn)入3個(gè)卷積分組，在這3個(gè)卷積分組中，卷積核數(shù)目都為16，步長(zhǎng)stride均為1。其次，3個(gè)卷積分組經(jīng)合并后輸入到卷積核數(shù)目為32、步長(zhǎng)stride為1的1×1卷積層中。此模塊共計(jì)3個(gè)。

（3）在SE-Inception-Resnet-B模塊中，首先進(jìn)入兩個(gè)卷積分組，在這兩個(gè)卷積分組中，卷積核數(shù)目都為16，步長(zhǎng)stride均為1。其次，兩個(gè)卷積分組經(jīng)合并后輸入到卷積核數(shù)目為64、步長(zhǎng)stride為1的1×1卷積層中。此模塊共計(jì)6個(gè)。

（4）在SE-Inception-Resnet-C模塊中，首先進(jìn)入兩個(gè)卷積分組，在這兩個(gè)卷積分組中，卷積核數(shù)目都為16，步長(zhǎng)stride均為1。其次，兩個(gè)卷積分組經(jīng)合并后輸入到卷積核數(shù)目為128、步長(zhǎng)stride為1的1×1卷積層中。此模塊共計(jì)3個(gè)。

（5）分別將經(jīng)3個(gè)SE-Inception-Resnet-A、6個(gè)SE-Inception-Resnet-B、3個(gè)SE-Inception-Resnet-C 后輸出的特征圖進(jìn)行全局平均池化。

（6）因?yàn)楦邔雍椭虚g層還會(huì)有一定的信息，所以將低層、中間層以及高層的特征圖經(jīng)全局平均池化得到的特征向量進(jìn)行特征融合，組成更具有表達(dá)能力的特征信息。

（7）將特征向量輸入到Softmax進(jìn)行分類(lèi)。

1.2 多尺度寬殘差網(wǎng)絡(luò)

1.2.1 寬殘差網(wǎng)絡(luò)

理論上說(shuō)，模型架構(gòu)的容量和特征判別能力會(huì)隨著網(wǎng)絡(luò)層數(shù)的增加而不斷提高，然而經(jīng)大量實(shí)驗(yàn)證明，只增加網(wǎng)絡(luò)的深度會(huì)出現(xiàn)梯度彌散問(wèn)題［11］。針對(duì)該問(wèn)題，何凱明等提出了使用捷徑連接（Shortcut Connection，SC）搭建深度殘差網(wǎng)絡(luò)結(jié)構(gòu)［12］。然而，隨著殘差網(wǎng)絡(luò)模型深度的不斷加深，實(shí)驗(yàn)發(fā)現(xiàn)只有少數(shù)的殘差塊可以學(xué)習(xí)到有用的特征。因此，Sergey等［13］提出了寬殘差網(wǎng)絡(luò)模塊思想，使用淺而寬的殘差網(wǎng)絡(luò)模塊代替原有深而窄的殘差網(wǎng)絡(luò)模塊，讓網(wǎng)絡(luò)結(jié)構(gòu)更淺更輕量級(jí)［14］。經(jīng)后續(xù)實(shí)驗(yàn)證明，適當(dāng)增加殘差網(wǎng)絡(luò)模塊的寬度的確比只增加網(wǎng)絡(luò)的深度更能提高殘差網(wǎng)絡(luò)的性能，原因是更寬的網(wǎng)絡(luò)增加了特征的選擇范圍，從而增加了特征的耦合能力［15］。

各種殘差塊如圖5所示。假設(shè)H（x）表示深度神經(jīng)網(wǎng)絡(luò)在輸入樣本x后的最優(yōu)解映射，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)是直接擬合，即

而深度殘差網(wǎng)絡(luò)期望擬合殘差映射，即

因?yàn)閤是輸入的源圖像，所以可以驗(yàn)證擬合F（x）與擬合H（x）的目標(biāo)是等價(jià)的。在此條件下，原來(lái)的最優(yōu)解映射被表示為：

（1）基礎(chǔ)殘差塊。通過(guò)跨越性連接，使用兩個(gè)卷積核大小為3×3的卷積層；

（2）Bottleneck殘差塊。在兩個(gè)卷積核大小為1×1的卷積層中間增加卷積核大小為3×3的卷積層，同時(shí)為了減少模型的參數(shù)、增加網(wǎng)絡(luò)結(jié)構(gòu)的寬度，使用了比卷積核3×3更多的通道數(shù)；

（3）基礎(chǔ)寬殘差塊。在基礎(chǔ)殘差塊的基礎(chǔ)上，通過(guò)增加卷積層的通道數(shù)來(lái)增加殘差塊的寬度；

（4）Dropout寬殘差塊。為了提升測(cè)試結(jié)果，體現(xiàn)寬殘差網(wǎng)絡(luò)的泛化性，在2個(gè)卷積核大小為1×1的卷積層中間添加Dropout機(jī)制。

綜上所述，寬殘差網(wǎng)絡(luò)在殘差塊基礎(chǔ)上的改進(jìn)的確能夠提高殘差塊的表達(dá)能力。

圖5 各種殘差塊

1.2.2 多尺度寬殘差網(wǎng)絡(luò)

本文結(jié)合Rubin等［16］提出的Inception模塊思想，為實(shí)現(xiàn)多尺度的特征學(xué)習(xí)，適當(dāng)增加了寬殘差塊的分支。此外，為了降低網(wǎng)絡(luò)模型的參數(shù)，在新增加的并行連接的卷積層上，沒(méi)有使用較大的7×7的卷積核，而是使用了1×1、3×3和5×5的卷積核形成多尺度寬殘差網(wǎng)絡(luò)，同時(shí)在每個(gè)卷積層之前都有相應(yīng)的BatchNorm和ReLU層。

如圖6所示，本文的寬殘差模塊有6個(gè)分支，為了提高網(wǎng)絡(luò)的表達(dá)能力，在除shortcut連接的分支上都有一個(gè)1×1卷積，因?yàn)?×1卷積不僅可以對(duì)通道數(shù)進(jìn)行升維和降維、跨通道組織信息，還可以用很小的計(jì)算量就能夠增加特征變換和非線(xiàn)性變換。具體結(jié)構(gòu)如下：第1個(gè)分支為1×1卷積；第2個(gè)分支先用1×1卷積，然后進(jìn)行3×3卷積；第3個(gè)分支先用3×3卷積，然后進(jìn)行1×1卷積；第4個(gè)分支先用1×1卷積，然后進(jìn)行5×5卷積；第5個(gè)分支是使用5×5卷積后再執(zhí)行1×1卷積；最后1個(gè)分支是shortcut連接；最后通過(guò)連接操作合并。

圖6 多尺度寬殘差學(xué)習(xí)塊

本文的多尺度寬殘差網(wǎng)絡(luò)結(jié)構(gòu)MSWideResnet如圖7所示，寬殘差模塊的總層數(shù)為16，殘差塊的寬度由加寬系數(shù)k決定，其中k＝4。

圖7 多尺度寬殘差網(wǎng)絡(luò)模型

2 實(shí)驗(yàn)結(jié)果和分析

實(shí)驗(yàn)采用的計(jì)算機(jī)配置是i7-6700 CPU，20 GB RAM，軟件為Spyder（3．2．6）。

2.1 實(shí)驗(yàn)數(shù)據(jù)集

為了比較本文算法的分類(lèi)效果，選取Indian Pines數(shù)據(jù)和Pavia University數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。Indian Pines是由AVIRIS傳感器獲得，高光譜圖像大小為145×145像素，其空間分辨率能夠達(dá)到20 m，采用的光譜范圍為0．4 ～2．5 μm，共包含了200 個(gè)波段。Pavia University是由ROSIS傳感器獲得，高光譜圖像大小為610×340像素，其空間分辨率能夠達(dá)到1．3 m。采用光譜覆蓋范圍為0．43 ～0．86 μm，共包含103 個(gè)波段。

2.2 數(shù)據(jù)預(yù)處理

高光譜圖像的數(shù)據(jù)量往往很大，如果直接對(duì)原始圖像進(jìn)行處理，不僅會(huì)造成很大的計(jì)算量而且會(huì)造成分類(lèi)精度較低。為了加快訓(xùn)練和分類(lèi)的過(guò)程，采用PCA算法降低高光譜圖像的維數(shù)。雖然利用該方法降維會(huì)導(dǎo)致光譜信息的損失，但空間信息仍保持完整。經(jīng)過(guò)PCA算法降維后，主要信息容易集中在少數(shù)幾個(gè)波段，如表1 Indian Pines主成分，表2 Pavia University主成分所示。

表1 Indian Pines主成分

表2 Pavia University主成分

在本實(shí)驗(yàn)中，選取累計(jì)貢獻(xiàn)率大于或等于98%的主成分來(lái)取代原始圖像，進(jìn)而壓縮數(shù)據(jù)。從表1、2可以看出，圖像的主要成分主要集中在前3個(gè)主分量上，后面大部分的分量都是噪聲。

2.3 對(duì)比算法和評(píng)價(jià)指標(biāo)

為了驗(yàn)證本文中SEIR-MSWR模型在高光譜圖像分類(lèi)中的效果，將其與其他常見(jiàn)的分類(lèi)算法做對(duì)比實(shí)驗(yàn)。主要包括支持向量機(jī)（Support Vector Machine，SVM）、K-最近鄰法（K-NearestNeighbor，KNN）、寬殘差網(wǎng)絡(luò)（Wide Resnet Network，WRN）以及InceptionV2-Resnet。

在進(jìn)行高光譜圖像降維前，首先對(duì)輸入的原始高光譜圖像數(shù)據(jù)進(jìn)行歸一化，令每一個(gè)數(shù)值位于區(qū)間［0 1］。在完成高光譜圖像分類(lèi)后，依照地面真實(shí)數(shù)據(jù)，采用4個(gè)常見(jiàn)的高光譜圖像分類(lèi)精度指標(biāo)（整體分類(lèi)精度（Overall Accuracy，OA）、平均分類(lèi)精度（Average Accuracy，AA）、每類(lèi)分類(lèi)精度（Class Accuracy，CA）以及Kappa系數(shù)）對(duì)高光譜圖像的分類(lèi)結(jié)果進(jìn)行客觀評(píng)價(jià)，評(píng)估分類(lèi)結(jié)果的準(zhǔn)確程度。

2.4 實(shí)驗(yàn)結(jié)果分析

將經(jīng)PCA算法降維后的3維高光譜圖像分別輸入到5種網(wǎng)絡(luò)結(jié)構(gòu)中，為保證不同分類(lèi)算法的訓(xùn)練數(shù)據(jù)、測(cè)試數(shù)據(jù)均相同，即從每個(gè)地物類(lèi)別中隨機(jī)選取70%的標(biāo)記樣本作為訓(xùn)練樣本，另外30%的標(biāo)記樣本為測(cè)試樣本。此外，為更精確地實(shí)現(xiàn)高光譜圖像的分類(lèi)，均選取在訓(xùn)練數(shù)據(jù)上分類(lèi)精度最高的模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類(lèi)，并與真實(shí)的地物標(biāo)記對(duì)比評(píng)價(jià)分類(lèi)精度。網(wǎng)絡(luò)結(jié)構(gòu)確定后，利用均值為0、方差為0．1的截?cái)嗾龖B(tài)分布對(duì)卷積層和全連接層的權(quán)重進(jìn)行隨機(jī)初始化，設(shè)置偏置為0．1，Dropout為0．5。采用Adam 優(yōu)化器對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在SVM算法中，通過(guò)gridsearch方法找到最優(yōu)參數(shù)c和gamma的值，分別為c＝0．01，gamma＝100；在KNN算法中，通常采用交叉驗(yàn)證的方法來(lái)選取合適的k值，即k＝1；在WRN網(wǎng)絡(luò)模型中的初始學(xué)習(xí)率設(shè)置為0．001，batchsize設(shè)置為128，最大迭代次數(shù)為12 000次；InceptionV2-Resnet網(wǎng)絡(luò)模型的初始學(xué)習(xí)率設(shè)置為0．01，batchsize設(shè)置為200，最大迭代次數(shù)為12 000次；本實(shí)驗(yàn)的SEIR-MSWR網(wǎng)絡(luò)模型的初始學(xué)習(xí)率設(shè)置為0．000 1，batchsize設(shè)置為200，最大迭代次數(shù)為12 000次。采用結(jié)果加權(quán)平均模型融合時(shí)，SE-Inception-Resnet網(wǎng)絡(luò)模型以及MSWideResnet網(wǎng)絡(luò)模型的權(quán)值分別為0．6，0．4。

（1）Indian Pines數(shù)據(jù)集。圖8給出了訓(xùn)練過(guò)程中損失函數(shù)的變化情況?？梢钥闯?，隨著迭代次數(shù)的增加，損失函數(shù)呈下降趨勢(shì)。當(dāng)?shù)螖?shù)增加到一定范圍時(shí)，損失函數(shù)的下降趨于平緩。同時(shí)，InceptionV2-Resnet和SEIR-MSWR損失函數(shù)的下降趨勢(shì)明顯陡于WRN。

圖9給出了3種深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練過(guò)程中總體分類(lèi)精度的變化情況。從中可以看出，隨著迭代次數(shù)的增加，總體分類(lèi)精度呈上升趨勢(shì)。同時(shí)，InceptionV2-Resnet和SEIR-MSWR總體分類(lèi)精度的增長(zhǎng)速度較強(qiáng)于WRN。

圖8 Indian Pines在訓(xùn)練過(guò)程中損失函數(shù)的變化情況

圖9 Indian Pines在訓(xùn)練過(guò)程中總體分類(lèi)精度的變化情況

圖10 給出了Indian Pines數(shù)據(jù)集上不同算法的分類(lèi)圖，SEIR-MSWR分類(lèi)噪聲相比于其他方法更少，獲得了更好的分類(lèi)效果。但是對(duì)于數(shù)據(jù)集中易于區(qū)分的地物類(lèi)別，SEIR-MSWR分類(lèi)效果于其他方法相當(dāng)，如Wheat、Hay-windrowed。對(duì)于特征相近的地物類(lèi)別，SEIR-MSWR能很明顯地提高分類(lèi)精度，從而改善總體的分類(lèi)效果。

圖10 Indian Pines高光譜圖像分類(lèi)結(jié)果

表3給出了Indian Pines高光譜圖像數(shù)據(jù)集對(duì)應(yīng)的分類(lèi)結(jié)果，針對(duì)OA、AA和Kappa系數(shù)，WRN、InceptionV2-Resnet以及SEIR-MSWR較SVM和KNN有較為明顯的提升。此外，SEIR-MSWR的OA相比于RBF-SVM、KNN、WRN 和InceptionV2-Resnet分別提高了20．86%、20．09%、5．48%、3．39%，AA 分別提高了17．98%、16．31%、6．03%、3．73%，Kappa 分別提高了0．18、0．17、0．06、0．04。

表3 Indian Pines數(shù)據(jù)集上各種分類(lèi)算法的正確率統(tǒng)計(jì)%

（2）Pavia University數(shù)據(jù)集。圖11給出了訓(xùn)練過(guò)程中損失函數(shù)的變化情況。從中可以看出，隨著迭代次數(shù)的增加，損失函數(shù)呈下降趨勢(shì)。當(dāng)?shù)螖?shù)增加到一定范圍時(shí)，損失函數(shù)的下降趨于平緩。同時(shí)，WRN損失函數(shù)的波動(dòng)明顯高于InceptionV2-Resnet和SEIR-MSWR。

圖12給出了3種深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練過(guò)程中總體分類(lèi)精度的變化情況，從中可以看出，隨著迭代次數(shù)的增加，總體分類(lèi)精度呈上升趨勢(shì)。當(dāng)?shù)螖?shù)增加到一定范圍時(shí)，分類(lèi)精度的增長(zhǎng)趨于平緩。同時(shí)，WRN總體分類(lèi)精度的波動(dòng)明顯高于InceptionV2-Resnet和SEIR-MSWR。

圖13給出了Pavia University數(shù)據(jù)集上不同算法的分類(lèi)圖，SEIR-MSWR分類(lèi)噪聲相比于其他方法更少，獲得了更好的分類(lèi)效果。但是對(duì)于數(shù)據(jù)集中易于區(qū)分的地物類(lèi)別，SEIR-MSWR分類(lèi)效果于其他方法相當(dāng)，如Meadows、Trees。對(duì)于特征相近的地物類(lèi)別，SEIR-MSWR能很明顯地提高分類(lèi)精度，從而改善總體的分類(lèi)效果。

表4給出了Pavia University高光譜圖像數(shù)據(jù)集對(duì)應(yīng)的分類(lèi)結(jié)果，針對(duì)OA、AA和Kappa系數(shù)，WRN、InceptionV2-Resnet以及SEIR-MSWR較SVM和KNN有較為明顯的提升。此外，SEIR-MSWR的OA相比于RBF-SVM、KNN、WRN 和InceptionV2-Resnet分別提高了23．1%、16．89%、6．66%、2．58%，AA 分別提高了23．1%、19．13%、7．42%、3．35%，Kappa 分別提高了0．22、0．17、0．07、0．03。

圖11 Pavia University高光譜圖像損失函數(shù)的變化情況

圖12 Pavia University在訓(xùn)練過(guò)程中損失函數(shù)的變化情況

圖13 Pavia University高光譜圖像分類(lèi)結(jié)果

表4 Pavia University數(shù)據(jù)集上各種分類(lèi)算法正確率統(tǒng)計(jì)%

3 結(jié) 語(yǔ)

本文針對(duì)高光譜圖像特征提取和分類(lèi)的問(wèn)題，提出了將SE-Inception-Resnet和MSWideResnet模型融合實(shí)現(xiàn)對(duì)高光譜圖像分類(lèi)的方法。首先，由于高光譜圖像中存在冗余信息，利用PCA算法對(duì)原有的高光譜圖像進(jìn)行降維處理得到三維的高光譜圖像。其次，將提出的兩種深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)用于對(duì)高光譜圖像的分類(lèi)，第1種網(wǎng)絡(luò)結(jié)構(gòu)是將Senet模塊分別嵌入到Inception-Resnet-A、 Inception-Resnet-B、 Inception-Resnet-C中，并將網(wǎng)絡(luò)的多層特征進(jìn)行融合得到SEInception-Resnet網(wǎng)絡(luò)結(jié)構(gòu)，第2種網(wǎng)絡(luò)結(jié)構(gòu)是通過(guò)增加寬殘差網(wǎng)絡(luò)中并行的卷積層得到MSWideResnet網(wǎng)絡(luò)結(jié)構(gòu)。最后，利用結(jié)果加權(quán)平均模型融合的方式獲得高光譜圖像的類(lèi)別。實(shí)驗(yàn)結(jié)果表明，通過(guò)對(duì)Indian Pines和Pavia University兩個(gè)真實(shí)高光譜圖像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，驗(yàn)證了本文方法比傳統(tǒng)方法對(duì)高光譜圖像特征提取和分類(lèi)有更好的效果。

融合多層特征SENet和多尺度寬殘差的高光譜圖像地物分類(lèi)方法更好地提取了高光譜圖像的本質(zhì)特征，提高了高光譜圖像的分類(lèi)精度，但是該方法存在耗時(shí)較長(zhǎng)的問(wèn)題，如何提高高光譜圖像分類(lèi)的速度還有待進(jìn)一步研究。