/Indian_pines_classification

A simple classifier using CNN with keras to classify Indian pines Hyperspectral Image

Primary LanguageJupyter NotebookMIT LicenseMIT

Indian_pines_classification

运行环境

  • 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

代码结构

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.

模型结构

# 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'))

model

训练结果

下图是训练和测试准确率随着epoch的变化图

odel_accuracy_10

下图是训练和测试损失随着epoch的变化图

odel_loss_10

测试结果

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

onfusion_matrix_without_normalizatio

下图是经过标准化的混淆矩阵

onfusion_matrix_with_normalizatio

下图是真实分类的高光谱图像

round_trut

下图是经过上述模型分类的得到的高光谱图像

redict_image_epochs10