目前,深度學(xué)習(xí)是大數(shù)據(jù)處理下最熱門的研究方向之一。由于其強(qiáng)大的學(xué)習(xí)能力,卷積神經(jīng)網(wǎng)絡(luò)及其衍生模型被廣泛應(yīng)用到高光譜圖像處理領(lǐng)域,通過(guò)深層神經(jīng)網(wǎng)絡(luò)挖掘圖像潛在分布的多層表達(dá)并進(jìn)行特征提取,面向分類檢測(cè)等應(yīng)用,取得了很好的效果。鑒于卷積神經(jīng)網(wǎng)絡(luò)在高光譜遙感數(shù)據(jù)處理的有效性,本文從異常檢測(cè)和目標(biāo)檢測(cè)兩個(gè)方面開展了基于深度卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像檢測(cè)算法的研究。首先,從高光譜成像機(jī)理入手,分析了地物的光譜特性及成像的影響因素,總結(jié)了經(jīng)典高光譜圖像目標(biāo)檢測(cè)算法和異常檢測(cè)算法,重點(diǎn)討論了經(jīng)典檢測(cè)算法面臨的問(wèn)題與挑戰(zhàn)。同時(shí),引入了高光譜圖像處理領(lǐng)域中應(yīng)用廣泛的卷積神經(jīng)網(wǎng)絡(luò),闡述了其用于目標(biāo)檢測(cè)的優(yōu)勢(shì)與意義,為確定基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法提供了理論基礎(chǔ)。其次,針對(duì)高光譜圖像目標(biāo)檢測(cè)樣本量少,不足以訓(xùn)練深層卷積神經(jīng)網(wǎng)絡(luò)的問(wèn)題,提出了一種減法像素配對(duì)模型。在該算法中,將同類地物樣本和不同類地物樣本進(jìn)行類間和類內(nèi)的配對(duì)并執(zhí)行光譜維的減法運(yùn)算,生成了新的數(shù)據(jù)集;在新數(shù)據(jù)集中,通過(guò)原始目標(biāo)類樣本和其它類樣本配對(duì)產(chǎn)生的新樣本被標(biāo)記為新數(shù)據(jù)集中的目標(biāo)類,通過(guò)各原始背景類樣本類內(nèi)和類間的配對(duì)產(chǎn)生的新樣本被標(biāo)...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 高光譜遙感圖像目標(biāo)檢測(cè)研究現(xiàn)狀
        1.2.2 高光譜遙感圖像異常檢測(cè)研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)在高光譜遙感圖像處理中的應(yīng)用研究
    1.3 數(shù)據(jù)準(zhǔn)備
    1.4 論文的主要工作
第二章 高光譜圖像特性分析及目標(biāo)檢測(cè)方法
    2.1 引言
    2.2 高光譜圖像數(shù)據(jù)特性分析
        2.2.1 高光譜遙感圖像的數(shù)據(jù)表達(dá)
        2.2.2 高光譜數(shù)據(jù)特性
        2.2.3 高光譜成像的影響因素
    2.3 高光譜圖像目標(biāo)探測(cè)中的挑戰(zhàn)
        2.3.1 感興趣目標(biāo)和異常點(diǎn)的存在形式
        2.3.2 高光譜目標(biāo)探測(cè)面臨的問(wèn)題與挑戰(zhàn)
    2.4 經(jīng)典高光譜圖像目標(biāo)/異常檢測(cè)算法
    2.5 經(jīng)典目標(biāo)檢測(cè)算法的實(shí)驗(yàn)結(jié)果與分析
        2.5.1 評(píng)價(jià)指標(biāo)
        2.5.2 8種經(jīng)典高光譜目標(biāo)檢測(cè)算法實(shí)驗(yàn)與分析
        2.5.3 3種高光譜異常檢測(cè)算法實(shí)驗(yàn)與分析
    2.6 本章小結(jié)
第三章 基于減法像素配對(duì)模型的CNN高光譜圖像目標(biāo)檢測(cè)算法
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用意義
        3.2.1 卷積層
        3.2.2 下采樣層
        3.2.3 反向傳播
        3.2.4 圖像處理選擇CNN的意義
    3.3 減法像素配對(duì)模型subtraction-PPF
    3.4 PPF,SPPF和 subtraction-PPF的比較
    3.5 卷積神經(jīng)網(wǎng)絡(luò)框架
    3.6 基于CNN的高光譜目標(biāo)檢測(cè)流程
    3.7 實(shí)驗(yàn)與分析
        3.7.1 實(shí)驗(yàn)參數(shù)設(shè)置
            3.7.1.1 窗口尺寸
            3.7.1.2 卷積核尺寸
            3.7.1.3 學(xué)習(xí)率
            3.7.1.4 樣本數(shù)
        3.7.2 CNN檢測(cè)結(jié)果
            3.7.2.1 圖像1的檢測(cè)結(jié)果
            3.7.2.2 圖像2的檢測(cè)結(jié)果
            3.7.2.3 圖像3的檢測(cè)結(jié)果
            3.7.2.4 圖像4的檢測(cè)結(jié)果
    3.8 本章小結(jié)
第四章 基于組合測(cè)度向量的CNN高光譜圖像異常檢測(cè)算法
    4.1 引言
    4.2 組合測(cè)度向量
        4.2.1 蘭氏距離
        4.2.2 光譜梯度角
        4.2.3 光譜曲線形狀
        4.2.4 光譜信息散度
        4.2.5 組合測(cè)度向量Mix vector
    4.3 基于CNN的異常檢測(cè)
    4.4 輕量化CNN
    4.5 實(shí)驗(yàn)參數(shù)設(shè)置
    4.6 檢測(cè)結(jié)果與分析
        4.6.1 圖像5異常檢測(cè)結(jié)果
        4.6.2 圖像6異常檢測(cè)結(jié)果
    4.7 本章小結(jié)
第五章 結(jié)束語(yǔ)
    5.1 本文主要研究成果
    5.2 下一步工作展望
致謝
參考文獻(xiàn)
作者在學(xué)期間取得的學(xué)術(shù)成果



本文編號(hào)：3901291