高光譜遙感圖像蘊含著豐富的地物信息,對于高光譜遙感數(shù)據(jù)的解譯和分類方法一直是研究者的研究重點所在。本文針對高光譜遙感圖像的高維度、訓練數(shù)據(jù)不足的特點研究了基于卷積神經(jīng)網(wǎng)絡和馬爾科夫隨機場的高光譜遙感圖像分類方法。研究了基于空-譜特征融合的改進型卷積神經(jīng)網(wǎng)絡高光譜遙感圖像分類方法。將傳統(tǒng)卷積神經(jīng)網(wǎng)絡結構做重新設計,使用與光譜波段同維的卷積核結構對訓練數(shù)據(jù)做光譜空間特征融合提取,在全連接層間加入Dropout控制向量,與ReLU函數(shù)搭配使用,設計一種具有深度空譜特征提取能力和強泛化能力的卷積神經(jīng)網(wǎng)絡模型SSCF-CNN。在國際通用遙感實驗數(shù)據(jù)集上與其他方法做實驗對比,結果表明SSCF-CNN具有較好的準確性,能夠對不同數(shù)據(jù)集完成精度較高的分類。針對分類結果中的“椒鹽”現(xiàn)象,將SSCF-CNN與馬爾科夫隨機場結合,設計了基于卷積神經(jīng)網(wǎng)絡和馬爾科夫隨機場的高光譜遙感圖像分類算法。算法基于SSCF-CNN對高光譜遙感圖像的分類結果構建標記場,搭建SSCF-CNN-MRF分類優(yōu)化框架,完成對SSCF-CNN分類結果的優(yōu)化。針對分類結果中不同區(qū)域交界的“各向同性”問題,設計了基于集成學習Baggin... 

【文章來源】：山東科技大學山東省

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

圖１．１高光譜遙感圖像??Ｆｉｇ．?１．１?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ??對高光譜遙感圖像做地物分類處理，需要對遙感圖像像素做逐一標記，這一??

一練方半監(jiān)督分類Ｉ??待分類高光纖據(jù)?Ｈ???Ｉ—多分類器集成??［－硬分類一卜―???—???＊—?單分類器??＾素構ｚｚｚ＝＾＝＾＝????￣Ｉ混合像元分解??Ｌ軟分類－?■■?＝???？—?模糊分類??圖１．２髙光譜遙感分類技術策略??Ｔｅｃｈｎｉｃａｌ?ｆｒａｍｅｗｏｒｋ?ａｎｄ?ｓｔｒａｔｅｇｙ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｆｏｒ?ｈｙｐｅｒｓｐｅｃｔｒａｌ．３所示，每一類地物對應的光譜曲線均是定量化的連續(xù)光或提取特定波段來突出目標特征�；趯b感數(shù)據(jù)的統(tǒng)計數(shù)據(jù)的光譜和紋理特征，通過諸如最大似然估計、最小間識別方法［５］實現(xiàn)對地物遙感影像的識別和分類，國內外研計模式識別領域的諸多方法［６］引入到高光譜遙感數(shù)據(jù)分類網(wǎng)絡、支持向量機、遺傳算法等一系列分類策略。??

（ａ）?（ｂ）??圖２．１局部連接??Ｆｉｇ．?２．１?Ｌｏｃａｌ?ｃｏｎｎｅｃｔｉｖｉｔｙ??從圖２．１中可以看出局部連接與全連接的結構區(qū)別，自上而下來看，與全連??接狀態(tài)的Ｌ層不同，ＣＮＮ通過加強神經(jīng)網(wǎng)絡中相鄰層之間節(jié)點的局部連接模式??來挖掘自然圖像的空間局部關聯(lián)信息。第Ｌ層各節(jié)點所獲取的輸入數(shù)據(jù)只是構??成第Ｌ－１層全部節(jié)點的一部分。各層神經(jīng)元之間添加激活函數(shù)（非線性濾波器），??從而使高層神經(jīng)元以極少的參數(shù)量獲取了更高階的抽象特征，這種局部連接模式??提取局部特征的方法極大的減少了網(wǎng)絡參數(shù)和計算量，使得模型能夠處理更加復??雜的圖像識別任務。??２．２．?１．２權值共享??權值共享（ｗｅｉｇｈｔ?ｓｈａｒｉｎｇ）又叫做卷積核參數(shù)共享。權值共享的結構思想源??于一個基本假設一一在圖像數(shù)據(jù)中，具有語義含義的像素“簇”中，各像素與其??鄰域像素點之間存在高度相關性。該思想的最直接體現(xiàn)是使用固定尺寸和數(shù)值的??卷積核對圖像局部區(qū)域逐步做卷積運算，得出的值為該卷積核在局部區(qū)域獲取的??特征值


本文編號：3058257