基于特征学习和深度学习的高光谱影像分类

发布时间：2020-06-25 12:41

【摘要】：高光谱成像技术在过去的四十年中已经从一个稀少的研究工作转化为广泛的用户社区可用的商品。尤其是在过去的10年,基于高光谱图像的特性踊跃出一大批针对高光谱数据处理的方法。而高光谱影像的分类作为做热门的话题,引无数研究者趋之若鹜。传统的分类方法只考虑到高光谱图像的光谱信息而忽略其空间信息,导致最终的分类结果差强人意。结合高光谱影像的光谱信息和空间信息后,分类的结果有着明显的提高。而提取空间信息的方法又千差万别,如何有效的提取高光谱图像的空间信息并且去除高光谱高维数据的冗余性成为研究的关键。近年来,随着人工智能的兴起,深度学习技术逐渐进入人们的视野。深度学习最早兴起于图像识别,但是短短的几年时间内,深度学习推广到了机器学习的各个领域。如今,深度学习在很多机器学习领域都有着非常出众的表现。本文利用深度学习在特征提取上的优势,将深度学习应用到高光谱影像的分类任务中,主要贡献为:针对传统方法没有结合高光谱影像的空间信息这一缺陷,提出了一种基于特征融合和深度森林的高光谱影像分类方法。该方法先采用PCA对原始高光谱数据进行降维,然后在降维的数据上分别提取它的可扩展形态学特征(EMP)、线性多尺度特征以及非线性多尺度特征。将这三种特征融合后的特征作为深度森林分类器的输入。实验结果证明基于特征融合和深度森林的高光谱分类方法是高效的,即使在小样上也有非常出色的表现。针对CNN固定的几何结构所导致建模几何变换能力不够好的问题,即把一张图片颠倒后CNN可能无法识别,提出了一种基于可变形卷积神经网络的高光谱影像分类方法。该方法在CNN的基础上引入一个新的模块,即可变形卷积层,能够识别不同拍摄角度的图像,增强了传统CNN的建模几何变换的能力。实验结果证明可变形卷积神经网络在高光谱分类工作中有着很好的表现。针对CNN的内部数据表示不考虑简单和复杂对象之间的重要空间层次,使得CNN无法精确识别不同角度拍摄的照片这一问题。提出了基于胶囊网络的高光谱影像分类方法。胶囊网络模拟了人大脑中对物体的表示不依赖于视角,结合了对象之间的相对关系,提高了物体的识别率。该方法先采用主成分分析法(PCA)对高光谱影像的光谱维进行降维,去除冗余信息,然后用窗口扫描得到训练和测试样本,进而送入胶囊网络中进行训练。实验结果证明胶囊网络在高光谱遥感影像的分类任务中也有着不错的表现。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;TP751
【图文】：

西安电子科技大学Pavia 和 Salinas。Indian Pines 是在美国印第数据，其大小为 145 145，包含 16 种地物的 20 个波段后，Indian Pines 数据剩下 20University of Pavia 是在帕维亚大学上方用 为 610 340，包含了 9 种地物，空间分辨率为还剩下的 103 个波段，这也是最终实验所用利纳斯山谷拍摄的高光谱数据，其大小为 5达到 3.7m/pixel。去掉 20 个有噪声的波段，用的数据。这三种高光谱数据的伪彩图和对所示。

theUniversityofPavia的伪彩图以及对应的地物种Shadows

【相似文献】

相关期刊论文 前10条

1 田彦平;陶超;邹峥嵘;杨钊霞;何小飞;;主动学习与图的半监督相结合的高光谱影像分类[J];测绘学报;2015年08期

2 冯海亮;潘竞文;黄鸿;;半监督邻域保持嵌入在高光谱影像分类中的应用[J];计算机科学;2014年S1期

3 杨哲海;张俊;李之歆;;低通滤波器在高光谱影像分类中的应用[J];海洋测绘;2011年05期

4 杨可明;刘飞;孙阳阳;魏华锋;史钢强;;谐波分析光谱角制图高光谱影像分类[J];中国图象图形学报;2015年06期

5 杨可明;张涛;王立博;钱小丽;刘士文;王林伟;;高光谱影像的谐波分析融合算法研究[J];中国矿业大学学报;2014年03期

6 冯海亮;潘竞文;黄鸿;;一种改进的邻域保持嵌入高光谱影像分类方法[J];光电工程;2014年09期

7 覃环虎;张立福;刘凯;;高光谱影像库的数据存取技术研究[J];计算机工程;2012年16期

8 刘天乐;高伟;刘修国;陈启浩;;矢量量化压缩算法在高光谱影像上的研究实现[J];计算机工程与应用;2008年34期

9 原传纲;张广有;吴迪;杨哲海;;面向应用的高光谱影像分类方法[J];测绘科学技术学报;2007年02期

10 杨哲海,冯猛,张燕燕;高光谱影像处理方法的改进[J];海洋测绘;2004年04期

相关会议论文 前10条

1 郝博雅;孙洁;;高光谱影像特性研究[A];第八届全国信号和智能信息处理与应用学术会议会刊[C];2014年

2 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

3 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

4 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

5 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

6 林志垒;;Hyperion高光谱影像的特征提取研究[A];中国地理学会百年庆典学术论文摘要集[C];2009年

7 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

8 付晶;舒宁;孔祥兵;;基于隐马尔可夫模型的光谱匹配算法[A];第十七届中国遥感大会摘要集[C];2010年

9 詹远增;王迪峰;毛志华;;基于Hyperion卫星高光谱影像的溢油信息提取研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年

10 刘军;王冬红;张永生;;基于POS的机载高光谱影像几何校正[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

相关重要报纸文章 前1条

1 本报记者 樊成琼 金毛毛;小小卫星带来产业发展大格局[N];贵阳日报;2018年

相关博士学位论文 前10条

1 杨丽霞;稀疏学习机及其在高光谱影像分类中的应用[D];西安电子科技大学;2016年

2 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

3 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

4 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

5 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

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 黄风华;云环境下基于并行支持向量机的高光谱影像分类研究[D];福建师范大学;2014年

8 贺威;高光谱影像多类型噪声分析的低秩与稀疏方法研究[D];武汉大学;2017年

9 孙艳丽;联合丰度信息与空谱特征的高光谱影像分类研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

10 亓呈明;基于多核学习的高光谱遥感影像分类方法研究[D];中国地质大学(北京);2016年

相关硕士学位论文 前10条

1 张文豪;基于特征学习和深度学习的高光谱影像分类[D];西安电子科技大学;2018年

2 宋淑;基于空间信息与网络学习的高光谱影像分类[D];西安电子科技大学;2018年

3 马伟波;基于HyMAP-C航空高光谱影像土壤重金属浓度估算[D];中国矿业大学;2018年

4 张雅春;基于稀疏约束最小二乘光谱解混算法的湿地精细分类[D];哈尔滨师范大学;2018年

5 刘畅;无人机影像‘图—谱’信息融合在作物氮素诊断中的应用研究[D];西安科技大学;2018年

6 罗政;基于HJ-1A高光谱影像的植被类型识别[D];中国地质大学(北京);2018年

7 姚娆;高光谱影像的降维方法研究[D];辽宁师范大学;2018年

8 牟岩;基于子空间的高光谱影像降维及分类研究[D];西安科技大学;2018年

9 贾源旭;基于湿地分类的环境卫星高光谱影像处理方法及分类效果对比研究[D];延边大学;2017年

10 董连凤;高光谱影像预处理技术研究[D];长安大学;2007年

本文编号：2729147