利用有限训练样本的卷积神经网络与纹理特征的高光谱图像分类

1：实验设计与方法选择：

所提方法将GLCM纹理特征与CNN光谱特征相结合，包含PCA变换、GLCM特征提取、CNN光谱特征提取网络构建、特征拼接及softmax分类等步骤。

2：样本选择与数据来源：

采用三组真实高光谱数据集（帕维亚大学、休斯顿、张掖），每类训练样本数按不同规模选取（如帕维亚为400/300/250/150/100；休斯顿为150/120/90/60；张掖为150/120/90/60/30/15）。

3：实验设备与材料清单：

配置3.2GHz CPU和GeForce GTX TITAN X显卡的计算机，使用Caffe深度学习平台。

4：2GHz CPU和GeForce GTX TITAN X显卡的计算机，使用Caffe深度学习平台。 实验流程与操作步骤：

4. 实验流程与操作步骤：包括PCA获取第一主成分、GLCM计算（灰度级64/统计距离1/窗口27×27）、四方向7种纹理特征提取、指定架构的CNN训练、特征拼接及softmax分类。

5：7）、四方向7种纹理特征提取、指定架构的CNN训练、特征拼接及softmax分类。 数据分析方法：

5. 数据分析方法：以总体精度(OA)评估，对比SVM、GLCM-SVM、CNN、PCA-CNN、SSD-CNN及Two-CNN等方法。