發(fā)布時間：2021-03-05 03:12

　　隨著遙感成像技術的飛速發(fā)展,高光譜傳感器能夠獲取到包含著成百上千條譜帶與龐大空間信息的高光譜圖像（Hyperspectral Image,HSI）,它的出現(xiàn)也為我們開辟了一個新的研究領域――高光譜圖像分類。該方法是一種基于像素點的分類方法,主要利用像素點所攜帶的高維光譜信息,訓練分類器對整幅高光譜圖像中的像素點進行類別標定。目前,高光譜圖像分類已經被廣泛應用于精細農業(yè),地質勘測與環(huán)境科學等眾多領域之中。傳統(tǒng)的高光譜圖像分類方法通常使用一個淺層分類模型,對圖像中的像素點進行類別標定。然而,淺層模型中手動設計的低階特征與分類器參數(shù)對于輸入數(shù)據的局部變化非常敏感,會嚴重影響分類精度的提升。深度神經網絡（Deep Neural Network,DNN）相比于淺層方法,能夠自動學習出輸入數(shù)據魯棒性更好的高階抽象特征,目前已經在高光譜分類領域引起了廣泛的關注。然而,現(xiàn)有的基于深度神經網絡的高光譜圖像分類方法無法充分利用圖像中的光譜與空間信息,并且只能夠針對特定的圖像進行訓練和測試。構建一個有效的深度神經網絡依賴于大量帶類標樣本,但是對高光譜圖像進行大量的樣本標定費時費力。針對以上的問題,論文首先提... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 遷移學習方法
    1.4 研究內容及章節(jié)安排
第二章 基礎理論
    2.1 引言
    2.2 擴展形態(tài)學屬性剖面特征提取方法
    2.3 棧式稀疏自動編碼器
        2.3.1 稀疏自動編碼器
        2.3.2 棧式稀疏自動編碼器
    2.4 主動學習方法
        2.4.1 邊緣采樣策略
        2.4.2 多類別不確定性策略
        2.4.3 基于“委員會”策略
    2.5 本章小結
第三章 基于多特征融合與主動遷移一體化網絡的高光譜圖像分類方法
    3.1 引言
    3.2 深度多特征融合與分類網絡
        3.2.1 深度光譜特征提取網絡
        3.2.2 深度空間特征提取網絡
        3.2.3 深度光譜-空間特征融合與分類網絡
    3.3 基于深度多特征融合與分類網絡的主動學習策略
    3.4 主動特征與樣本遷移算法
        3.4.1 基于遙感圖像分類的遷移算法
        3.4.2 主動特征與樣本遷移算法實現(xiàn)流程
    3.5 實驗結果分析
        3.5.1 高光譜圖像分類性能評價指標
        3.5.2 數(shù)據庫與實驗設置介紹
        3.5.3 深度多特征融合與分類網絡性能分析
        3.5.4 基于深度多特征融合與分類網絡的主動學習策略性能分析
        3.5.5 主動特征與樣本遷移算法性能分析
    3.6 本章小結
第四章 基于無監(jiān)督深度特征遷移網絡的高光譜圖像分類方法
    4.1 引言
    4.2 K-means聚類方法
        4.2.1 算法原理
        4.2.2 算法流程
    4.3 無監(jiān)督深度特征遷移算法
    4.4 實驗結果分析
        4.4.1 數(shù)據庫與實驗設置
        4.4.2 實驗結果展示
        4.4.3 對比實驗設置與結果分析
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
作者簡介



本文編號：3064472