化工机械设备网

　　【化工机械设备网 热点关注】人以食为天。食物在人类日常生活中的重要性无可取代。而生产食物，无论是加工产品还是初级产品，都离不开农作物。农作物包括粮食作物﹑经济作物(如油料作物、蔬菜作物等)两大类。
 

　　对农作物的品种进行认定和分类，有利于加强对作物新品种的管理和合理推广。高光谱遥感数据包含丰富的光谱信息，被广泛应用于作物分布和动态变化的监测，在精准农业作物类型分类中发挥着不可替代的作用。目前，特征的利用主要包括专家知识参与的传统特征选择和与卷积神经网络(CNN)紧密结合的自动特征选取。CNN自动特征选取可从输入数据中自动提取面向领域的高级特征，从而达到更高的分类精度。但是与挖掘空间特征相比，CNN在挖掘光谱特征方面仍然不足。
 

　　目前，传统特征选择已被相关研究证明可提高包含CNN在内多类分类器的精度，将传统特征选择方法与CNN高级空间特征自动提取相结合是一种逐渐流行的分类策略。但是，现在的结合方法并未综合利用空间特征与光谱信息，也未在作物分类中体现高光谱影像的丰富光谱信息。同时利用传统特征选择挖掘光谱特征，并与CNN结合自动提取面向领域的高级特征的方法还有待进一步研究。
 

　　近日，北京师范大学联合中国农业科学院作物科学研究所在《作物学报》(The Crop Journal)在线发表研究论文，提出了一种新颖的光谱特征——堆叠光谱特征空间图(stacked spectral feature space patch，SSFSP)，用于基于CNN的高光谱遥感影像作物分类。该特征将原隐性的光谱特征转换为显性的空间特征，可与二维CNN相结合以同时挖掘光谱和空间特征。多个高空间分辨率高光谱数据集的比较研究表明，SSFSP相较于原始光谱的输入，可获得更高的分类精度。
 

　　原标题：堆叠光谱特征空间图：基于CNN的高光谱遥感影像作物分类