基于深度学习的高光谱影像分类方法研究
本文选题：高光谱影像 + 特征提取 ； 参考：《大连理工大学》2017年博士论文
【摘要】：高光谱影像记录目标场景空间几何信息的同时也采集地物目标的光谱信息,是重要的遥感数据之一,被广泛应用于精准农业、环境监测、现代军事等领域。高光谱影像分类是高光谱数据分析中的最基本问题,高光谱影像的分类精度直接影响着遥感技术的应用与发展。借助先进的机器学习方法解决高光谱影像分类问题是遥感领域的主流发展趋势。但是,受数据冗余大、空间分辨率不足、标记样本有限等因素的影响,实现精准的、稳定的地物目标分类仍然是亟待解决的问题。针对此,本文基于在视觉任务中取得成功的深度学习方法,从高光谱影像信息提取与信息利用两个角度,对上述问题进行研究。本文的主要创新工作如下:首先,基于深度学习理论,研究适用于高光谱影像的特征提取方法。针对其光谱信息冗余,空间分辨率较低等问题,设计深度网络,使用可学习的卷积核构造空间上下文信息提取层,采用稀疏约束的自动编码器逐层搭建光谱特征提取层,通过最小化加入正则项的能量函数优化网络,从而实现深度空谱特征提取;针对如何在有限样本下优化网络的问题,提出基于相对距离先验的深度特征提取方法,利用类内紧凑性先验聚合同类样本特征,借助类间稀疏性先验疏散不同类别特征聚合簇,从而实现精准的特征提取。其次,针对如何利用有标签样本信息进行监督分类的问题,研究了表示型分类器,提出基于空间正则化协同表示的空谱分类方法。使用所有训练样本的深度特征构建超完备表示字典,以实现对测试样本的协同表示;在此方法中,利用各类别表示的残差构造类概率向量,并将其作为空间正则化的输入以完成概率图分割,从而实现监督的空谱分类。该方法在训练样本数目有限的情况下,能够取得较高的分类精度。最后,针对如何利用无标签样本信息进行半监督分类的问题,研究了空间邻域信息标记方法。提出基于多决策标记的半监督分类方法,通过深度网络提取高光谱影像的自身属性信息实现自决策,利用加权空间邻域信息打分方法提取局部信息实现局部决策,借助基于深度网络的相似度学习获得全局信息实现全局决策。该方法选取决策一致的样本作为候选训练样本,基于主动学习方法优化候选样本,进而扩充训练样本集,提高分类精度。综上,本文通过对高光谱影像信息的深入分析,研究了基于机器学习方法的信息挖掘与利用策略,在一定程度上丰富了高光谱影像数据分析方法,并将提出的方法在多种应用上进行了有益的探索,具有一定的理论意义与应用价值。
[Abstract]:In order to solve the problem of high spectral image classification is the most basic problem in the field of precision agriculture , environment monitoring , modern military , etc . In this paper , based on the deep analysis of hyperspectral image information , this paper studies the information mining and utilization strategy based on the machine learning method , enriches the data analysis method of hyperspectral image to a certain extent , and makes a useful exploration of the proposed method in a variety of applications , and has certain theoretical significance and application value .
【学位授予单位】：大连理工大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：TP751
【相似文献】
相关期刊论文 前10条
1 范冬娟;张韶华;;高光谱影像反射率反演方法的研究[J];海洋测绘;2006年03期
2 甘甫平;王润生;;高光谱遥感技术在地质领域中的应用[J];国土资源遥感;2007年04期
3 余旭初;杨国鹏;冯伍法;周欣;;基于简约集支持向量机的高光谱影像分类[J];计算机科学;2010年11期
4 李新双;张良培;李平湘;吴波;;基于小波分量特征值匹配的高光谱影像分类[J];武汉大学学报(信息科学版);2006年03期
5 杨可明;陈云浩;郭达志;蒋金豹;;基于高光谱影像的小麦条锈病光谱信息探测与提取(英文)[J];光子学报;2008年01期
6 苏俊英;舒宁;;一种基于非线性增益小波滤波的高光谱影像去噪技术研究[J];遥感技术与应用;2008年04期
7 孙伟伟;刘春;施蓓琦;李巍岳;;基于随机矩阵的高光谱影像非负稀疏表达分类[J];同济大学学报(自然科学版);2013年08期
8 杨可明;李慧;郭达志;;基于最佳小波包基的高光谱影像特征制图[J];测绘学报;2008年01期
9 杨国鹏;余旭初;刘伟;陈伟;;基于支持向量机的高光谱影像分类研究[J];计算机工程与设计;2008年08期
10 董超;赵慧洁;;关联向量机在高光谱影像分类中的应用[J];遥感学报;2010年06期
相关会议论文 前10条
1 舒宁;胡颖;;基于地物光谱特征的高光谱影像边缘提取方法[A];地理空间信息技术与应用——中国科协2002年学术年会测绘论文集[C];2002年
2 舒宁;;多光谱和高光谱影像纹理分析的几种方法[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年
3 于美娇;董广军;张永生;纪松;杨靖宇;;一种基于极大后验估计的高光谱影像分辨率增强方法[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年
4 董广军;纪松;朱朝杰;;基于局部线性嵌入流形学习的高光谱影像分类技术[A];第六届全国信息获取与处理学术会议论文集（3）[C];2008年
5 汪玮;周可法;王金林;周曙光;刘慧;;环境减灾卫星高光谱数据预处理[A];第十二届全国数学地质与地学信息学术研讨会论文集[C];2013年
6 黄远程;张良培;李平湘;;基于最小单形体体积约束的高光谱影像端元光谱提取[A];遥感定量反演算法研讨会摘要集[C];2010年
7 刘庆杰;蔺启忠;王黎明;王钦军;李庆亭;苗峰显;;基于CFFT最优信噪比的星载高光谱影像噪声抑制研究[A];第十七届中国遥感大会摘要集[C];2010年
8 张杰林;;砂岩型铀矿床高光谱数据挖掘技术研究[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年
9 董彦芳;庞勇;;高光谱影像与LiDAR数据融合提取城市目标提取[A];中国地震学会空间对地观测专业委员会2013年学术研讨会论文摘要集[C];2013年
10 李飞;周成虎;陈荣国;;基于光谱曲线形态的高光谱影像检索方法研究[A];第二届中国科学院博士后学术年会暨高新技术前沿与发展学术会议程序册[C];2010年
相关博士学位论文 前9条
1 刘轲;冬小麦叶面积指数高光谱遥感反演方法研究[D];中国农业科学院;2015年
2 马晓瑞;基于深度学习的高光谱影像分类方法研究[D];大连理工大学;2017年
3 杨国鹏;基于机器学习方法的高光谱影像分类研究[D];解放军信息工程大学;2010年
4 路威;面向目标探测的高光谱影像特征提取与分类技术研究[D];中国人民解放军信息工程大学;2005年
5 杨哲海;高光谱影像分类若干关键技术的研究[D];解放军信息工程大学;2006年
6 王凯;基于多特征融合的高光谱影像地物精细分析方法研究[D];武汉大学;2013年
7 杜辉强;高光谱遥感影像滤波和边缘提取方法研究[D];武汉大学;2004年
8 韦玮;基于多角度高光谱CHRIS数据的湿地信息提取技术研究[D];中国林业科学研究院;2011年
9 龚鑓;基于HDA和MRF的高光谱影像同质区分析[D];武汉大学;2007年
相关硕士学位论文 前10条
1 司海青;含水量对土壤有机质含量高光谱估算的影响研究[D];中国农业科学院;2015年
2 汪重午;基于高光谱线性混合模型的地质勘查研究[D];成都理工大学;2015年
3 魏祥坡;高光谱影像土质要素和人工地物分类技术研究[D];解放军信息工程大学;2015年
4 康苒;松嫩平原典型土壤有机质高光谱预测模型研究[D];东北农业大学;2016年
5 张颖;基于主动学习的高光谱影像分类[D];成都理工大学;2016年
6 张风;基于子空间学习的高光谱影像地物分类[D];西安电子科技大学;2015年
7 刘瑞香;基于多尺度局部二值模式的高光谱图像分类算法研究[D];西安石油大学;2016年
8 刘怡君;基于机载LiDAR和高光谱遥感影像融合实现普洱山区树种分类[D];中国林业科学研究院;2016年
9 董连凤;高光谱影像预处理技术研究[D];长安大学;2007年
10 祝鹏飞;面向对象的高光谱影像地物分类技术研究[D];解放军信息工程大学;2011年
，本文编号：1767010
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/1767010.html
