B 数据集由 ROSIS 光谱传感器在某地城镇集中区采集得到，该数据集由 0.43-0.86μm 的 115 个光谱波段构成，每个波段由空间分辨率为 1.3m 的 610 340 的像素组成，其中它有 9 个地物类别经过处理后，剩该数据集有103 个光谱波段。
C 数据集由 AVIRIS 光谱仪在某地生态片区采集得到，该数据集覆盖光谱范围为 0.4-2.5μm，谱分辨率为10nm,可提供224个谱段，空间分辨率为 18m，每个波段由512 614 个像素构成，共有 13个类别，去掉吸水率和低SNR频段后，剩余 176 个波段。图6、图7、图8为不同维度的卷积神经网络的方法在 A、B 以及 C 数据集上的分类图。
图6 三个模型组在 A数据集上的分类图[1]
图7 三个模型组在 B数据集上的分类图[1]
图8 三个模型组在C数据集上的分类图[1]
05 结论
针对不同维度的卷积神经网络方法在三个基准数据集上的实验结果进行了比较分析，图6、图7、图8为不同维度的卷积神经网络的方法在A、B以及C数据集上的分类图。在三个数据集分类成果图中，与1DCNN、2DCNN以及1D+2DCNN的分类图相比，3DCNN的分类图不仅包含更加清晰的边缘，且包含更少的噪声，更加接近于真实地物图。通过不同维度的卷积神经网络方法在不同数据集下对应的分类图对比，证明了3DCNN用于高光谱图像特征提取效果更加显著。
通过以上分析，可以得出结论，利用不同维度卷积神经网络进行高光谱图像分类的方法相比，三维卷积神经网络（3D CNN）相对其他维度的卷积神经的分类图的冗余度、分类种类、地物特征提取能力都相对较高。因此，利用三维卷积神经网络（3D CNN）的方法进行高光谱遥感图像分类更优。
参考资料：
[1] 张欣. 基于三维卷积神经网络的高光谱遥感图像分类技术研究[D].中国科学院大学(中国科学院长春光学精密机械与物理研究所),2021.
本文所有文字版权均属“宝略科技”，更多内容请搜索关注【宝略科技】微信公众号~
