基于DBN的高光谱遥感影像分类方法研究

发布时间：2020-04-01 03:03

【摘要】：随着高光谱遥感成像技术的飞快发展,高光谱数据维度不断增加。在面对高光谱数据多维度、非线性、数据量大的特点下,如何从其中挖掘特征信息并实现数据分类,成为了高光谱遥感图像解译处理中的重要问题。作为应用在图像识别方面取得成功算法,深度置信网络具有小样本学习、高维空间、非线性等特点,成为高光谱遥感影像分类的一个研究热点。本课题尝试将深度置信网络应用在高光谱数据分类中,利用其深度学习的优势去解决高光谱数据分类问题。首先对深度学习中的深度置信网络理论架构做了研究,构建了支持深度置信网络的Matlab算法,并通过该平台实现了高光谱数据的特征提取和数据分类,最后对高光谱数据与机载雷达数据进行了融合并利用模型分类和分类后评价。在分析深度置信网络(Deep Belief Network,DBN)的基础上,研究基于深度置信网络的高光谱数据分类方法,通过实验证明,采用信息熵的方法确定针对不同数据的网络模型最佳隐含层层数分类精度最高。针对具有较多波段数的机载高光谱影像,提出了一种基于马氏距离波段选择方法,通过该方法剔除了冗余的波段,实现了数据的降维。高光谱数据中同时包含光谱和空间信息,分别从光谱、空间和光谱-空间三个特征空间对数据处理分析,并和支持向量机分类进行了结果对比,实验表明,两种分类器利用光谱-空间特征的分类结果均好于单一特征的分类结果,在分类精度上DBN分类器高于SVM分类器3.78%。此外,为充分证明DBN模型对特征挖掘的能力,利用该模型实现了对机载高光谱影像与机载雷达影像的融合数据的分类,结果表明DBN分类效果好于SVM分类效果,同时融合数据的分类精度也高于高光谱数据的分类结果。
【图文】：

总体研究技术路线

高光谱图像三维结构
【学位授予单位】：华北理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】

相关期刊论文 前10条

1 许明明;张良培;杜博;张乐飞;;基于类别可分性的高光谱图像波段选择[J];计算机科学;2015年04期

2 董彦芳;庞勇;许丽娜;陈立泽;;高光谱遥感影像与机载LiDAR数据融合的地物提取方法研究[J];遥感信息;2014年06期

3 张飞龙;王顺芳;赵剑华;丁海燕;;基于图像分割及模糊隶属度的PCA人脸识别[J];计算机应用与软件;2014年05期

4 李艺颖;;人工智能的新浪潮——深度学习[J];网友世界;2013年Z2期

5 陈善静;胡以华;石亮;王磊;孙杜娟;徐世龙;;空-谱二维蚁群组合优化SVM的高光谱图像分类[J];光谱学与光谱分析;2013年08期

6 冯静;舒宁;;一种新的高光谱遥感图像纹理特征提取方法研究[J];武汉理工大学学报;2009年03期

7 赵春晖;陈万海;杨雷;;高光谱遥感图像最优波段选择方法的研究进展与分析[J];黑龙江大学自然科学学报;2007年05期

8 朱艳;刘晓莉;杨哲海;;高光谱数据的降维及Tabu搜索算法的应用[J];测绘科学技术学报;2007年01期

9 吐热尼古丽;张晓帆;;基于人工神经网络的遥感图像分类研究[J];长春师范学院学报;2006年02期

10 李石华,王金亮,毕艳,陈姚,朱妙园,杨帅,朱佳;遥感图像分类方法研究综述[J];国土资源遥感;2005年02期

相关博士学位论文 前3条

1 齐滨;高光谱图像分类及端元提取方法研究[D];哈尔滨工程大学;2012年

2 高恒振;高光谱遥感图像分类技术研究[D];国防科学技术大学;2011年

3 刘志刚;支撑向量机在光谱遥感影像分类中的若干问题研究[D];武汉大学;2004年

相关硕士学位论文 前3条

1 马小丽;基于机器学习的高光谱图像地物分类研究[D];厦门大学;2014年

2 景亚鹏;基于深度学习的欺骗性垃圾信息识别研究[D];华东师范大学;2014年

3 鄢华;模糊深度学习网络算法的研究[D];哈尔滨工业大学;2012年

，

本文编号：2609923