發(fā)布時間：2024-04-08 23:26

　　高光譜分辨率遙感不僅記錄地物目標的空間信息,也采集高維度光譜反射信息,是遙感領域研究方向之一,廣泛應用于民用、軍事、農業(yè)等領域。高光譜影像分類是高光譜影像處理中的基礎研究方向之一,利用機器學習相關算法進行有效特征提取與分類是該領域內的主流趨勢,但受其無法有效結合空譜特征信息、影像數據冗余、標簽數據少等難點問題的影響,精準的高光譜影像地物目標分類仍具一定的挑戰(zhàn)性。本文結合高光譜影像實際特性,研究改進相關深度學習算法,針對高光譜影像分類中存在的上述問題進行研究,設計混合神經網絡。本文主要工作如下:首先,針對卷積神經網絡無法適用于高光譜影像中高維數據的問題,提出了三維卷積混合神經網絡模型。三維卷積混合神經網絡對各維光譜通道特征進行加權卷積進而獲取空譜特征信息,通過前饋運算迭代優(yōu)化網絡參數,并采用較小卷積核避免過擬合現(xiàn)象,加快網絡訓練速度,增強網絡空間特征提取能力。為了有效獲取光譜特征信息,該網絡結合層疊自動編碼器并對其進行相應改進,引用空間上下文特征提取網絡實現(xiàn)空譜信息融合提取,從而進一步提高該網絡的特征提取與分類性能。其次,上述方法在下采樣過程中造成特征信息丟失,且無法有效利用淺層特征信息...

【文章頁數】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 本文的主要研究內容與結構安排
        1.3.1 主要研究內容
        1.3.2 結構安排
2 相關技術概述
    2.1 高光譜影像分類方法概述
    2.2 神經網絡概述
        2.2.1 神經網絡
        2.2.2 層疊自動編碼器
        2.2.3 卷積神經網絡
    2.3 實驗數據
        2.3.1 Indian Pines場景高光譜影像數據集
        2.3.2 Salinas場景高光譜影像數據集
        2.3.3 Pavia Center場景高光譜影像數據集
    2.4 實驗評價方法
        2.4.1 混淆矩陣
        2.4.2 總體精度與平均精度
        2.4.3 Kappa系數
    2.5 本章小結
3 基于三維卷積混合神經網絡的高光譜影像分類方法
    3.1 引言
    3.2 三維加權卷積神經網絡
    3.3 空間上下文空譜特征提取
    3.4 三維卷積混合神經網絡模型
    3.5 實驗結果與分析
        3.5.1 實驗設置
        3.5.2 實驗結果
        3.5.3 實驗分析
    3.6 本章小結
4 基于跳躍結構的深度反卷積混合神經網絡分類方法
    4.1 引言
    4.2 基于跳躍結構的深度反卷積網絡
        4.2.1 波段選擇層
        4.2.2 卷積和反卷積網絡
        4.2.3 層級跳越架構
    4.3 基于跳躍結構的深度反卷積混合神經網絡模型
    4.4 實驗結果與分析
        4.4.1 實驗設置
        4.4.2 實驗結果
        4.4.3 實驗分析
    4.5 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝



本文編號：3948969