基于变维卷积神经网络的高光谱图像分类研究

发布时间：2020-06-20 07:09

【摘要】：高光谱图像具有数据量大和结构复杂等特性,基于光谱特征的传统算法分类精度往往较低,而基于深度学习的分类模型计算量较大、训练时间较长,且无法对水吸收波段进行有效地特征提取。为了解决以上问题,提出一种基于变维卷积神经网络的高光谱图像分类模型。构建变维卷积神经网络,使用3-D卷积核同步提取原始3-D高光谱数据的空间-光谱联合特征,将生成的1-D特征向量融合为2-D特征矩阵,对其进一步特征提取与分类,并在此过程中使用动态自适应池化、双重优化和自适应增强等算法对其优化,以提高特征提取的精度与模型的分类性能。实验使用原始数据作为模型输入,完成水吸收波段的特征提取,增强模型对水吸收波段的鲁棒性。针对训练时间过长的问题,通过在集群环境中构建基于GPU加速的分布式并行网络,提高模型的平均计算速度。通过实验可知,变维卷积神经网络在Indian Pines和Pavia University scene数据集上的分类精度分别达到99.18%和99.87%,高于其他分类算法;提取到的水吸收波段特征进一步提高了分类精度;并行化变维卷积神经网络大幅减少了训练时间。实验结果表明,通过在卷积神经网络中使用变维结构,可大幅降低模型的复杂度与计算量,实现对空间-光谱特征的充分提取,完成高光谱图像的空谱联合分类,并在较大程度上提高分类精度。此外,变维卷积神经网络还对水吸收波段有较强的鲁棒性,其并行化设计可有效提高分类效率。
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;TP751
【图文】：

分类过程,误差反馈

图 2.7 第 j 类的分类过程Figure 2.7 Classification process of the jth category得第类的分类表达式为：e1( + )Nj i i jiy f w t b 函数。根据 2.4.1 节的原理描述可知，自适应增反馈。提取到的分类结果特征值所对应的分类若第 j 类误差为非特征误差，则直接进行反向传31）可知，在误差反馈之后的迭代分类过程可表e e1 1+N Nj i i j i ji iy f w t b w b 4），表示为梯度下降的参数调整步长。若第类。根据式（2.26）得到增强系数，误差反馈后

高光谱图像,高光谱图像

图 3.1 高光谱图像Figure 3.1 Hyperspectral image3.1.2 高光谱图像分类高光谱数据具有数据量大、信息丰富和高维多冗余等特性，因此对高光谱图像分类一直是学术界的研究热点。高光谱图像作为一种高维数据，对空间与光谱数据进行降维通常是分类中比较重要而且难以解决的问题。由于较高的空间分辨率与光谱分辨率，在高光谱分类过程中对空间-光谱信息的利用并不充分。为了提高高光谱图像的分类效果，各种分类算法不断被提出。以深度学习的出现与应用为划分标准，可将高光谱图像分类分为基于传统算法的高光谱图像分类和基于深度学习的高光谱图像分类。传统的高光谱图像分类算法可分为基于光谱特征的分类算法和基于空间-光谱特征的分类算法。基于光谱特征的分类通常对空间特征的利用较少，如 K-近邻算法、逻辑回归算法以及最大似然算法等。这些传统算法主要解决的问题就是数据降维，波段选择[36]和核变换[37]算法是较常用的降维算法。经过降维算法的发展，许多研究者证明对高光谱图像进行降维时使用主成分分析[38]（Principal Component Analysis, PCA）算法取得了较好的

【参考文献】