【摘要】：高光譜圖像具有數(shù)據(jù)量大和結(jié)構(gòu)復(fù)雜等特性,基于光譜特征的傳統(tǒng)算法分類精度往往較低,而基于深度學(xué)習(xí)的分類模型計(jì)算量較大、訓(xùn)練時間較長,且無法對水吸收波段進(jìn)行有效地特征提取。為了解決以上問題,提出一種基于變維卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類模型。構(gòu)建變維卷積神經(jīng)網(wǎng)絡(luò),使用3-D卷積核同步提取原始3-D高光譜數(shù)據(jù)的空間-光譜聯(lián)合特征,將生成的1-D特征向量融合為2-D特征矩陣,對其進(jìn)一步特征提取與分類,并在此過程中使用動態(tài)自適應(yīng)池化、雙重優(yōu)化和自適應(yīng)增強(qiáng)等算法對其優(yōu)化,以提高特征提取的精度與模型的分類性能。實(shí)驗(yàn)使用原始數(shù)據(jù)作為模型輸入,完成水吸收波段的特征提取,增強(qiáng)模型對水吸收波段的魯棒性。針對訓(xùn)練時間過長的問題,通過在集群環(huán)境中構(gòu)建基于GPU加速的分布式并行網(wǎng)絡(luò),提高模型的平均計(jì)算速度。通過實(shí)驗(yàn)可知,變維卷積神經(jīng)網(wǎng)絡(luò)在Indian Pines和Pavia University scene數(shù)據(jù)集上的分類精度分別達(dá)到99.18%和99.87%,高于其他分類算法;提取到的水吸收波段特征進(jìn)一步提高了分類精度;并行化變維卷積神經(jīng)網(wǎng)絡(luò)大幅減少了訓(xùn)練時間。實(shí)驗(yàn)結(jié)果表明,通過在卷積神經(jīng)網(wǎng)絡(luò)中使用變維結(jié)構(gòu),可大幅降低模型的復(fù)雜度與計(jì)算量,實(shí)現(xiàn)對空間-光譜特征的充分提取,完成高光譜圖像的空譜聯(lián)合分類,并在較大程度上提高分類精度。此外,變維卷積神經(jīng)網(wǎng)絡(luò)還對水吸收波段有較強(qiáng)的魯棒性,其并行化設(shè)計(jì)可有效提高分類效率。
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP183;TP751
【圖文】：

圖 2.7 第 j 類的分類過程Figure 2.7 Classification process of the jth category得第 類的分類表達(dá)式為：e1( + )Nj i i jiy f w t b 函數(shù)。根據(jù) 2.4.1 節(jié)的原理描述可知，自適應(yīng)增反饋。提取到的分類結(jié)果特征值所對應(yīng)的分類若第 j 類誤差為非特征誤差，則直接進(jìn)行反向傳31）可知，在誤差反饋之后的迭代分類過程可表e e1 1+N Nj i i j i ji iy f w t b w b 4），表示為梯度下降的參數(shù)調(diào)整步長。若第 類。根據(jù)式（2.26）得到增強(qiáng)系數(shù) ，誤差反饋后

圖 3.1 高光譜圖像Figure 3.1 Hyperspectral image3.1.2 高光譜圖像分類高光譜數(shù)據(jù)具有數(shù)據(jù)量大、信息豐富和高維多冗余等特性，因此對高光譜圖像分類一直是學(xué)術(shù)界的研究熱點(diǎn)。高光譜圖像作為一種高維數(shù)據(jù)，對空間與光譜數(shù)據(jù)進(jìn)行降維通常是分類中比較重要而且難以解決的問題。由于較高的空間分辨率與光譜分辨率，在高光譜分類過程中對空間-光譜信息的利用并不充分。為了提高高光譜圖像的分類效果，各種分類算法不斷被提出。以深度學(xué)習(xí)的出現(xiàn)與應(yīng)用為劃分標(biāo)準(zhǔn)，可將高光譜圖像分類分為基于傳統(tǒng)算法的高光譜圖像分類和基于深度學(xué)習(xí)的高光譜圖像分類。傳統(tǒng)的高光譜圖像分類算法可分為基于光譜特征的分類算法和基于空間-光譜特征的分類算法�；诠庾V特征的分類通常對空間特征的利用較少，如 K-近鄰算法、邏輯回歸算法以及最大似然算法等。這些傳統(tǒng)算法主要解決的問題就是數(shù)據(jù)降維，波段選擇[36]和核變換[37]算法是較常用的降維算法。經(jīng)過降維算法的發(fā)展，許多研究者證明對高光譜圖像進(jìn)行降維時使用主成分分析[38]（Principal Component Analysis, PCA）算法取得了較好的

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 曲海成;梁雪劍;劉萬軍;籍瑞慶;;MPI和OpenMP混合并行模型下的遙感編目信息檢索[J];中國圖象圖形學(xué)報(bào);2015年11期

2 高偉;李維良;林妍;;面向高光譜影像分類的高性能計(jì)算及存儲優(yōu)化[J];計(jì)算機(jī)工程與應(yīng)用;2015年16期

3 湯媛媛;周海芳;方民權(quán);申小龍;;基于GPU的高光譜遙感影像數(shù)據(jù)處理[J];信息安全與技術(shù);2015年04期

4 李萬臣;劉康;;基于支持向量機(jī)的高光譜遙感圖像分類[J];信息通信;2015年02期

5 李穎;;基于SVM的地面成像光譜數(shù)據(jù)田間雜草識別研究[J];遙感信息;2014年01期

6 趙少華;張峰;王橋;姚云軍;王中挺;游代安;;高光譜遙感技術(shù)在國家環(huán)保領(lǐng)域中的應(yīng)用[J];光譜學(xué)與光譜分析;2013年12期

7 王茂芝;郭科;徐文皙;;基于集群和GPU的高光譜遙感影像并行處理[J];紅外與激光工程;2013年11期

8 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

本文編號：2722062