【摘要】：高光譜遙感圖像不同于一般圖像,它是具有豐富的空間信息和光譜信息,目前在許多實(shí)際場(chǎng)景中已經(jīng)得到廣泛運(yùn)用,而高光譜遙感圖像分類又是遙感圖像領(lǐng)域研究的一個(gè)很重要的部分,受到了越來越多的研究者的關(guān)注,其目的就是對(duì)圖像中的每個(gè)像元進(jìn)行分類,為后續(xù)的遙感圖像研究提供地物的信息。本文主要研究基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類技術(shù),本文的工作內(nèi)容主要分為以下兩部分:1)基于卷積神經(jīng)網(wǎng)絡(luò)的特征融合的分類模型:考慮到高光譜遙感圖像光譜維的一維結(jié)構(gòu)和空間幾何的二維結(jié)構(gòu),本文設(shè)計(jì)了兩種卷積神經(jīng)網(wǎng)絡(luò)模型來分別提取像元的光譜信息和空間信息,這里提取的光譜信息是圖像的原始光譜維作為第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型(spe-CNN)的輸入得到的,而提取的空間信息是對(duì)原始光譜進(jìn)行降維后取每個(gè)像元的一定大小鄰域構(gòu)成的圖像塊作為第二個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型(spa-CNN)的輸入得到的,然后將提取出來的兩種特征進(jìn)行融合(本文使用的是串行拼接方法)后作為像元的最終特征以彌補(bǔ)兩個(gè)特征在光譜或者空間信息上的不足,使用經(jīng)典的支持向量機(jī)作為最終的分類器,本文稱這個(gè)分類模型為CNN_2-SVM,融合后的分類精度能夠在單模型spe-CNN或者spa-CNN的基礎(chǔ)上得到提升,但是后來發(fā)現(xiàn)基于spe-CNN單模型得到分類精度較低(直觀上認(rèn)為它提取的特征不夠好),考慮到圖像光譜維存在噪聲,本文使用保邊去噪方法先對(duì)原始圖像進(jìn)行去噪預(yù)處理,實(shí)驗(yàn)證明預(yù)處理后的方法(PR~*-CNN_2-SVM)又能在CNN_2-SVM的基礎(chǔ)上提高分類精度。2)基于端到端的卷積神經(jīng)網(wǎng)絡(luò)結(jié)合后處理的分類模型:由于CNN_2-SVM將特征提取和分類分成了兩步,分類過程較為繁瑣,為了進(jìn)一步簡(jiǎn)化分類結(jié)構(gòu),本文將SVM替換成softmax,使之能夠?qū)崿F(xiàn)端到端的訓(xùn)練,本文稱之為CNNs,因?yàn)镻R~*在PR~*-CNN_2-SVM分類方法中證明了去噪預(yù)處理的有效性,因此本方法同樣考慮了它,由于softmax作為一層神經(jīng)元置于在網(wǎng)絡(luò)末尾,使得參數(shù)增加,所以在實(shí)驗(yàn)過程中發(fā)現(xiàn)訓(xùn)練準(zhǔn)確率相對(duì)測(cè)試準(zhǔn)確率偏高,出現(xiàn)了過擬合現(xiàn)象,針對(duì)此現(xiàn)象,本文又提出了一種加權(quán)均值濾波的后處理方法來應(yīng)對(duì)這個(gè)現(xiàn)象,實(shí)驗(yàn)證明PR~*-CNNs結(jié)合后處理的方法(PR~*-CNNs-post)能夠在充足樣本下取得跟PR*-CNN2-SVM相當(dāng)?shù)姆诸惥?而在少樣本條件下得到比PR*-CNN2-SVM更高的分類精度。
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP751;TP183
【圖文】：

圖 1.1 高光譜遙感圖像了反映地物物理特性的光譜信息到了全世界越來越多的關(guān)注，高了其在空間上的幾何結(jié)構(gòu)以及與光譜圖像提供了豐富的地物信息在軍事方面，高光譜圖像具有識(shí)、障礙物識(shí)別[1, 2]；環(huán)境方面，被化預(yù)測(cè)以及城市區(qū)域制圖[3, 4]；農(nóng)；氣象方面，對(duì)云、水蒸氣和氣溶光譜和空間信息，在許多領(lǐng)域已高光譜遙感圖像領(lǐng)域研究的基礎(chǔ)的工作提供基礎(chǔ)。高光譜遙感圖像分類研究也取得距離應(yīng)對(duì)實(shí)際場(chǎng)景的需求還有很

24 個(gè)波長(zhǎng)在-60.4 -2.5× 10米的光譜反射波段組成，去除掉一些水吸收，剩余 200 個(gè)波段作為最終的像元的光譜信息，因此該數(shù)據(jù)集在接中實(shí)際大小為 145 × 145×220，它包含了 16 種類別；第二個(gè)數(shù)據(jù)集 versity 如圖 1.2（b）所示，是由光學(xué)系統(tǒng)成像光譜儀采集于意大利的的實(shí)際大小為 610 × 340×103，它包含了 9 種類別。對(duì)于圖像中不同的地物類別，我們用不同的顏色加以區(qū)分。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

5 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

6 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學(xué)院學(xué)報(bào)(自然科學(xué));2016年03期

7 朱n

本文編號(hào)：2719865