13.3.3.1实验数据简介

本实验用到的高光谱数据库为Indian Pines。此数据库场景的拍摄内容为位于美国的印第安纳州西北部的Indian Pines测试区域，地表覆盖类型混合了林地、道路、农田、房屋建筑等：标记的样本分布不均衡，并且部分类别样本较少。各种农作物基本都处于生长初期，对地表的林冠覆盖程度只有5%，裸地和作物残渣对植被像元分类影响明显。Indian Pines图像大小为145×145像素，波长范围为0.4～2.5um, 220个波段，空间分辨率为20m，去除坏波段和水体吸收的波段，试验中使用200个波段，如图13-23所示：图13-23a表示Indian Pines数据灰度图像；图13-23b表示其对应的地面真值。此场景中主要内容为自然制备，其中60％以上为农业场景，30％以上为森林场景和其他常年自然植被，共包含地物信息16类，见表13-1。

13.3-3.2建立CNN模型

1．数据预处理

Indian Pine，共10249个样本，首先选出标签不为0的数据，然后将数据按照各属性归一化到0～1。样本维度为200，将其转变为二维数组20×10，随机选取80％作为训练，20%作为测试。标签1～16采用one-hot编码，例如1(1000000000000000)、2(0100000000000000)，以此类推。

图13-23 Indian Pines 数据及地面真值

表13-1 Indian Pines数据含有的类别及样本数量

2. CNN模型的参数设置

CNN模型的参数选取见表13-2。

表13-2 CNN模型参数选取

3．实验结果

按照表13-2所设置的参数，CNN模型对Indian Pines进行实验，分类的准确率为91.4％。

4．模型对比

采用SVM模型做对比，损失函数采用e-SVR，核函数中的degree设置(针对多项式核函数)设置为2, n-fold交互检验模式中的n设置为2，其余参数均为默认参数。实验分类准确率为89.5%。通过对比可以看出，CNN模型的分类准确率高，所以CNN模型更好。

文章来源：《多光谱食品品质检测技术与信息处理研究》

版权与免责声明：转载目的在于传递更多信息。

如其他媒体、网站或个人从本网下载使用，必须保留本网注明的"稿件来源"，并自负版权等法律责任。

如涉及作品内容、版权等问题，请在作品发表之日起两周内与本网联系，否则视为放弃相关权利。