深度学习理论的高光谱图像分类方法

发布时间：2021-03-12 17:29

　　针对当前高光谱图像处理方法无法对高光谱图像进行有效分类,为了提高光谱图像分类正确率,提出了深度学习理论的高光谱图像分类方法。首先分析了高光谱图像分类的研究进展,找到引起高光谱图像分类正确率的原因,然后进行高光谱图像分类特征提取和选择,建立高光谱图像分类特征向量集,最后引入深度学习理论对高光谱图像分类特征进行学习,建立高光谱图像分类器,并采用当前常用的高光谱图像数据集进行了仿真实验,结果表明,本文方法的高光谱图像分类精度超过90%,明显减少了高光谱图像分类误差,高光谱图像分类结果十分稳定,获得了比当前高光谱图像分类方法更好的结果。 

【文章来源】：激光杂志. 2020,41(09)北大核心

【文章页数】：4 页

【部分图文】：

卷积神经网络的基本结构

仿真实验的对象

不同方法的高光谱图像分类精度对比

【参考文献】：
期刊论文
[1]基于正交指数局部保留投影的高光谱图像特征提取[J]. 祝磊,胡奇峰,王棋林,杨君婷,严明.  光电子·激光. 2019(09)
[2]L1-2空谱全变差正则化下的高光谱图像去噪[J]. 曾海金,蒋家伟,赵佳佳,王艺卓,谢晓振.  光子学报. 2019(10)
[3]基于高阶非线性模型的多目标高光谱图像解混算法[J]. 甘士忠,肖志涛,陈雷,南瑞杰.  红外与激光工程. 2019(10)
[4]联合光谱-空间信息的短波红外高光谱图像茶叶识别模型[J]. 蔡庆空,李二俊,蒋金豹,乔小军,蒋瑞波,冯海宽,刘绍堂,崔希民.  光谱学与光谱分析. 2019(08)
[5]基于小波变换SAR图像斑噪声抑制算法的改进[J]. 刘子豪,苗新刚,唐伯雁.  机器人技术与应用. 2019(04)
[6]一种鲁棒的SAR图像匹配方法[J]. 吴元,乔文昇,邵鹏.  电讯技术. 2019(07)
[7]综合多特征的极化SAR图像随机森林分类算法[J]. 徐乔,张霄,余绍淮,陈启浩,刘修国.  遥感学报. 2019(04)
[8]加权空-谱主成分分析的高光谱图像分类[J]. 阿茹罕,何芳,王标标.  国土资源遥感. 2019(02)
[9]基于栈式自编码神经网络对高光谱遥感图像分类研究[J]. 张国东,周浩,方淇,张露,杨峻.  红外技术. 2019(05)
[10]基于改进栈式核稀疏深度模型的大规模极化SAR地物分类算法[J]. 肖茹.  计算机应用与软件. 2019(05)



本文编号：3078697