树种的手动标记仍然是一项具有挑战性的任务,尤其是在热带地区,由于无法获得和劳动密集型地面调查。高光谱图像(HSIS)通过其狭窄且连续的带,可以根据其光谱特性来区分树种。因此,HSI图像上的自动分类算法可以帮助增强有限的标记信息,并为各种树种生成实时分类图。通过图像中有限的标记信息,实现高分类精度是研究人员近年来开始应对的关键挑战之一。我们提出了一种新型的图形调节神经网络(GRNN)算法,该算法涵盖了基于超像素的分割用于图形结构,像素神经网络分类器和标签传播技术,以生成准确的分类图。 Grnn的表现不仅胜过标准的印度松树HSI的几种最先进技术,而且在法国圭亚那(FG)的森林中收集的新的HSI数据集上也达到了高分类的准确性(约92%)少于1%的像素被标记。我们表明,GRNN不仅与最先进的半监督方法具有竞争力,而且还表现出不同数量的训练样本的准确性差异和对标记像素进行培训的不同独立随机采样的差异。
translated by 谷歌翻译