- Anaconda 3.6.4
- python=3.6.4
- Keras=2.1.5
- TensorFlow=1.3.0 作为keras后端
- numpy=1.14.2
- notebook=5.4.1
- ipython=6.3.1
- spectral=0.19
dataset.ipynb
利用spectral工具包读取数据集,然后对数据集进行预处理,包括进行训练测试集分割 / 序列化和PCA变换,并将其以npy的格式保存到文件中.处理后的数据集保存在predata文件夹中.
train.ipynb
利用keras构建卷积神经网络模型,读取与处理的数据集进行训练.
其中训练过程,使用随机梯度下降法SGD作为优化算法,使用多分类的对数损失函数categorical_crossentropy作为损失函数.
使用ReduceLROnPlateau回调函数对val_acc进行监控,当val_acc不再下降时,减少学习率,直至减少到0.000001.
使用ModelCheckpoint回调函数,对有好的val_acc的训练过程作为一个检查点保存下来,下一次若有更好的结果则更新.若不好则不更新.
训练完成后保存模型到文件,并将训练过程中loss和accuarcy的变化情况绘制出来.
test.ipynb
对训练的模型的效果进行测试和评价.
使用sklearn包中的classification_report和confusion_matrix,总结出分类效果报告(包括Test loss Test accuracy以及对测试集中每一类样本的预测结果进行统计)和相应的混淆矩阵.
使用matplotlib工具包将混淆矩阵可视化,包括原始的混淆矩阵(数据为样本个数)以及标准化后的混淆矩阵(数据为样本比例)
最后读取原始数据集,对整个数据集进行分类,并使用spectral工具包绘制出预测结果,以高光谱图像的形式表示出来.
# Define the model structure
model = Sequential()
model.add(Conv2D(C1, (3, 3), activation='relu', input_shape=input_shape))
model.add(Conv2D(3*C1, (3, 3), activation='relu'))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(6*numPCAcomponents, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(16, activation='softmax'))
下图是训练和测试准确率随着epoch的变化图
下图是训练和测试损失随着epoch的变化图
Test loss 8.111980732981666 (%)
Test accuracy 97.99344009261046 (%)
classification result:
precision recall f1-score support
Alfalfa 1.00 1.00 1.00 27
Corn-notill 0.99 0.96 0.97 717
Corn-mintill 0.97 0.96 0.96 417
Corn 0.91 0.98 0.94 117
Grass-pasture 1.00 0.99 0.99 248
Grass-trees 0.99 1.00 1.00 374
Grass-pasture-mowed 1.00 1.00 1.00 13
Hay-windrowed 1.00 1.00 1.00 244
Oats 1.00 1.00 1.00 10
Soybean-notill 0.97 0.97 0.97 484
Soybean-mintill 0.98 0.98 0.98 1234
Soybean-clean 0.98 0.98 0.98 307
Wheat 1.00 1.00 1.00 106
Woods 0.98 0.99 0.99 647
Buildings-Grass 0.96 0.97 0.96 190
-Trees-Drives
Stone-Steel-Towers 0.96 1.00 0.98 48
avg / total 0.98 0.98 0.98 5183
下图是没有经过标准化的混淆矩阵
下图是经过标准化的混淆矩阵
下图是真实分类的高光谱图像
下图是经过上述模型分类的得到的高光谱图像
