Lokale ähnlichkeitbasierte räumliche-spektrale Fusion bei der Klassifikation hyperspektraler Bilder mit tiefen CNN und Gabor-Filterung

Derzeit haben die verschiedenen Ansätze des tiefen neuronalen Netzwerks (DNN) viel zur Klassifikation hyperspektraler Bilder (HSIs) beigetragen, insbesondere verwenden die meisten von ihnen das konvolutionale neuronale Netzwerk (CNN). HSI-Daten weisen die Merkmale der Multidimensionalität, Korrelation, Nonlinearität und eine große Datenmenge auf. Daher ist es besonders wichtig, tiefere Merkmale in HSIs zu extrahieren, indem die Dimensionalitäten reduziert werden, was hilft, die Klassifikation in sowohl spektralen als auch räumlichen Bereichen zu verbessern. In diesem Artikel präsentieren wir einen räumlich-spektralen HSI-Klassifikationsalgorithmus, die lokale Ähnlichkeitsprojektion Gabor-Filterung (LSPGF), die eine auf lokaler Ähnlichkeitsprojektion (LSP) basierende reduzierte dimensionale CNN mit einem 2-D Gabor-Filteralgorithmus verwendet. Zuerst verwenden wir die lokale Ähnlichkeitsanalyse, um die Dimensionalität der hyperspektralen Daten zu reduzieren, und dann verwenden wir den 2-D Gabor-Filter, um die reduzierten hyperspektralen Daten zu filtern und räumliche Tunnelinformationen zu erzeugen. Zweitens verwenden wir das CNN, um Merkmale aus den ursprünglichen hyperspektralen Daten zu extrahieren und spektrale Tunnelinformationen zu erzeugen. Drittens werden die räumlichen Tunnelinformationen und die spektralen Tunnelinformationen fusioniert, um die räumlich-spektralen Merkmalsinformationen zu bilden, die in das tiefe CNN eingegeben werden, um effektivere Merkmale zu extrahieren; und schließlich wird ein dualer Optimierungsklassifikator verwendet, um die schließlich extrahierten Merkmale zu klassifizieren. Dieser Artikel vergleicht die Leistung der vorgeschlagenen Methode mit anderen Algorithmen in drei öffentlichen HSI-Datenbanken und zeigt, dass die Gesamgenauigkeit der Klassifikation von LSPGF alle Datensätze übertrifft.