基于深度学习的高光谱遥感图像分类

发布时间：2020-10-12 08:48

　　 高光谱图像分类一直是遥感领域的研究热点,高光谱遥感图像包含地物的光谱信息及空间信息,可以利用这些信息对地物进行分类与识别。在过去的20年中,提出了很多分类及特征提取方法,例如最近邻分类器、支持向量机分类器、基于主成分分析的线性降维以及基于流形学习的非线性降维等方法。但是无论是分类器还是特征提取,都处于浅层的级别。如何提取深层的特征,使得特征更加抽象更易于分类,是当今机器学习领域的研究热点。深度学习便是解决这个问题的新方向,也是近年来机器学习领域的研究热点。深度学习可以构建深度网络,增大模型的参数量,使模型可以记住更多的训练数据。同时,如何针对具体的问题构建网络,也是深度学习的研究内容之一。随着网络层数的增多,以往的训练方法可能无法训练出更好的网络参数,新的训练技术是解决问题的根本。除此之外,网络模型变大也同样增加了计算量,降低了使用时的效率,如何提高网络执行的速度也是实际应用中很重要的环节。论文首先介绍自编码器这种经典的深度学习网络模型；其次,基于多层感知器模型,讨论多种网络优化策略,以提高网络执行效率以及提高网络分类性能,并基于这种优化的多层感知器对高光谱遥感图像进行分类；然后,针对高光谱遥感图像的特点,综合利用数据光谱信息和空间信息,基于两种深度网络模型(优化的多层感知器和卷积神经网络)对高光谱图像进行分类；最后对多时相高光谱遥感图像分类问题,基于优化的多层感知器,加入类心对齐策略,构造深度迁移网络,实现迁移学习的目的。论文主要研究工作如下：首先介绍深度学习领域的经典算法：栈式自编码器,这种算法很好地阐述了预训练与微调的作用。自编码器通过逐层的无监督预训练来初始化网络的模型参数,再通过有监督的微调使网络适用于特定的任务,其中无监督预训练所确定的参数,通常比随机初始化的要好。但自编码器的预训练降低了网络训练的效率,需要通过预训练跟微调两个环节才能训练完整个网络。并且,不同网络训练技术的使用,对于网络的分类效果有较大影响,因此,深度学习神经网络的优化对于提高分类效果起着非常重要的作用。论文基于多层感知器模型,讨论了几种新的有效的网络训练技术,包括ReLU神经元,防止过拟合策略,以及网络权值优化算法,利用这些技术,能够更加高效地训练深度网络,提高分类效果。其次,在高光谱图像分类领域中,通常只利用地物的光谱信息,而缺少对空间信息的利用,研究表明,利用空间信息可以降低分类“噪声”,提高高光谱遥感图像的分类精度。因此,论文基于第三章给出的优化的多层感知器,结合图像空间信息,进一步提高分类效果。另外,卷积神经网络是深度学习中非常成功的模型,但是还没有应用到高光谱遥感图像分类领域,论文基于卷积神经网络,设计两种方式,把每个像素点的空间邻域信息作为卷积神经网络的输入,应用于高光谱遥感图像分类。最后,对于多时相高光谱遥感影像,假如我们对其中一幅影像(称为源域数据)已经有足够多的标记样本,那么如果能够重新利用这些知识,对新来的缺乏标记样本的遥感影像(称为目标域数据)进行分类,能够减少新影像分类的人工成本,提高图像分类的自动化水平。如何把已有知识有效运用到新环境中是迁移学习要解决的问题。论文基于深度学习网络,采用类心对齐策略,实现迁移学习,应用于多时相高光谱遥感影像分类。论文在深度学习网络目标函数中,加入两个域数据类心特征相似的约束,通过深度学习网络对两个域数据做非线性变换,以达到变换后两个域数据特征相似的目的,从而可以直接利用变换后的源域标记数据对变换后的目标域数据进行分类。论文的创新点包括：(1)论文第三章把当前最新的一些网络优化策略加入到多层感知器算法中,应用于高光谱遥感图像分类,提高了网络执行效率以及分类性能。(2)论文第四章将卷积神经网络应用于高光谱遥感图像分类,并结合高光谱遥感图像空间信息,设计两种网络输入数据的方式,以适应卷积操作,进一步提高卷积神经网络对高光谱图像分类的性能。(3)论文第五章针对多时相高光谱遥感图像分类问题,在优化的多层感知器算法中,加入源域数据和目标域数据的类心对齐策略,使得网络具有迁移学习的能力。
【学位单位】：中国地质大学
【学位级别】：硕士
【学位年份】：2016
【中图分类】：TP751
【部分图文】：

ｉ〇?邢晨；基于深度学习的高光谱遥感图像分类成编码与解码两部分，输入数据经过编码部分后可得到编码后的特征，特征码后重构成原始数据，所Ｗ整个网络通过输入数据作为重构误差，训练调整络的参数，使网络达到编解码的目的。训练调整网络的参数，这样就可１＾得的不同表示，隐含层的输出即为输入的不同表示，而这些表示就是特征。如所示，整个过程可Ｗ拆分成一个編解码的过程，隐含层的输出是编码，输出码。这样，整个网络由输入到隐含层可Ｗ看作是个编码器，从隐含层到输出Ｗ看作是一个解码器。??

码后重构成原始数据，所Ｗ整个网络通过输入数据作为重构误差，训练调整整个网??络的参数，使网络达到编解码的目的。训练调整网络的参数，这样就可１＾得到输入??的不同表示，隐含层的输出即为输入的不同表示，而这些表示就是特征。如图２．２??所示，整个过程可Ｗ拆分成一个編解码的过程，隐含层的输出是编码，输出层是解??码。这样，整个网络由输入到隐含层可Ｗ看作是个编码器，从隐含层到输出层则可??Ｗ看作是一个解码器。??输入批巧Ｉ?ｊｊｍｉｉｉｉｉ餘ｍ?１??‘文旁！??巧据标签?＼?Ｉ??图２．１有监督训练模型??Ｉ?．０??图２．２无监督编解码流程??一个ＡＥ的网络结构及参数如图２．３所示。输入层Ｘ为输入数据，其节点个数??为输入数据Ｘ的维数。ｈ为隐含层数据，即编码结果或特征，如果隐含层节点数小??于输入数据维数，这个ＡＥ网络就是对数据降维，反之为升维。Ｗ，跟ｂ，是编码部??分的权重跟偏置，Ｗ２跟ｂ；是解码部分的权重跟偏置。ｙ为输出层，也可Ｗ叫重构，??ｙ是解码之后的数据，根据ＡＥ网络的重构目标，应该使ｙ？ｘ来训练ＡＥ网络。??图２．３为ＡＥ网络模型

这种堆叠的训练过程也称作无监督预训练，整个训练过程每次只无监督训练一??层。一旦前Ａ层训练好之后，就可训练Ａ＋７层，因为可（＾１利用前面的层计算的??特征作为下一层的输入。ＳＡＥ的训练流程如图２．５所示，此图是一个Ｈ层ＳＡＥ网??络的训练，图中每个圈圈代表一个节点，输入层中节点的；Ｃ。为输入数据的第ｎ维??特征，同理Ａ。及为隐含层及输出层的第ｎ维特征。特征表达２中的上角标代表??训练的ＡＥ数。当第一层的ＡＥ训练完之后，去掉解码层，为特征作为第二??个ＡＥ网络的输入数据训练第二个ＡＥ，ｔｉｌ此类推，再训练第Ｈ个ＡＥ。当所??有Ｈ个ＡＥ训练好之后，就组成了一个Ｈ层的神经网络，将原始数据Ｘ输入到第一?古??层的ＡＥ网络，前向传播口３］到第Ｈ层输出，最终得到第Ｈ层网络的特征。整个多层??的ＳＡＥ是无监督训练的。??＊入??Ｍｍ??输入??＊征化Ｉ??图２．５?ＳＡＥ训练流程??几十年前人们就发现了多层的神经网络在理论上的简洁性和较强的表达能力，??但仍存在一些问题
【相似文献】

相关期刊论文 前10条

1 刘庆生,刘高焕,蔺启忠,王志刚;基于逻辑斯蒂模型的遥感图像分类[J];国土资源遥感;2001年01期

2 谭衢霖,邵芸;雷达遥感图像分类新技术发展研究[J];国土资源遥感;2001年03期

3 杜凤兰,田庆久,夏学齐;遥感图像分类方法评析与展望[J];遥感技术与应用;2004年06期

4 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

5 付小勇;杨建祥;谭靖;;基于统计的遥感图像分类方法[J];林业调查规划;2005年06期

6 王一达;沈熙玲;谢炯;;遥感图像分类方法综述[J];遥感信息;2006年05期

7 李华;曹卫彬;刘姣娣;;土地监测中提高遥感图像分类精度的方法研究[J];安徽农学通报;2008年22期

8 岳昔娟;张勇;黄国满;;改进的直方图均衡化在遥感图像分类中的应用[J];四川测绘;2008年04期

9 曾联明;吴湘滨;刘鹏;;感兴趣区域遥感图像分类与支持向量机应用研究[J];计算机工程与应用;2009年06期

10 金良;于凤鸣;;计算机遥感图像分类法在天然草原土地利用现状研究中的应用[J];科技资讯;2010年36期

相关博士学位论文 前4条

1 刘小芳;基于核理论的遥感图像分类方法研究[D];电子科技大学;2011年

2 王佐成;基于纹理的遥感图像分类研究[D];西南交通大学;2007年

3 许凯;云模型支持下的遥感图像分类粒计算方法研究[D];武汉大学;2010年

4 张雁;基于机器学习的遥感图像分类研究[D];北京林业大学;2014年

相关硕士学位论文 前10条

1 林丹;基于小波变换的K-means算法在遥感图像分类中的应用研究[D];河北工程大学;2015年

2 姜玮;张量空间FCM算法研究及其在高光谱遥感图像分类中的应用[D];西南交通大学;2015年

3 付建东;粒子群神经网络在遥感影像分类中的应用研究[D];东华理工大学;2015年

4 孙宁;基于高光谱遥感图像分类的水域变化检测[D];南昌工程学院;2015年

5 左亚青;基于主动深度学习的遥感图像分类[D];燕山大学;2016年

6 邢晨;基于深度学习的高光谱遥感图像分类[D];中国地质大学;2016年

7 崔亮;基于蚁群算法的遥感图像分类研究[D];华中科技大学;2007年

8 李昕;基于分形理论的遥感图像分类方法研究[D];湖南大学;2009年

9 王方方;利用融合方法的遥感图像分类研究[D];西安电子科技大学;2009年

10 陈敏;基于纹理特征的遥感图像分类技术研究[D];福州大学;2005年

本文编号：2837917