基于多结构卷积神经网络的高光谱图像分类

发布时间：2021-03-26 06:20

　　近些年来,随着高光谱遥感技术的飞速发展,高光谱遥感逐渐成为了遥感领域的主流方向之一。高光谱分类技术在资源勘探、农业生产、医学检测、地质灾害、大气环境、文物考古和军事侦察等领域有着巨大的应用潜力和应用价值。高光谱丰富的光谱信息提升分类模型对于不同地物辨别能力的同时,也引起了维数灾难问题。如何同时有效地利用高光谱图像的空间和光谱信息,提取具有辨别力的特征,进而实现高效准确的图像分类,仍然是一项具有挑战性的难题。由于卷积神经网络在图像识别领域的强大分类能力,许多学者将卷积神经网络应用到了高光谱图像分类任务中。然而,现有的基于卷积神经网络的分类方法采用单一的固定空间窗结构,忽略了高光谱图像复杂的地物分布。同时,卷积神经网络训练需要大量的训练样本,而高光谱数据的训练样本获取十分困难,非常容易过拟合,这些原因都会抑制高光谱图像的分类表现。本文针对高光谱图像图谱合一的特性和高光谱图像的复杂数据分布,通过设计具有多结构的深度卷积神经网络模型分层自动提取高光谱图像高辨别力的空间和光谱联合特征,从而实现对于高光谱图像的精准分类。本文完成的主要成果总结如下:（1）提出了基于分治双结构卷积神经网络的高光谱图像... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：101 页

【学位级别】：硕士

【部分图文】：

高光谱遥感图像

输入可能会缺乏足够的空间信息用于分类，导致分类精度下降。因络结构会抑制高光谱图像像素级分类的分类表现。 解 决 这 个 问 题 ， 本 章 我 们 提 出 一 个 分 治 双 结 构 卷 积 神and-conquer dual-architecture CNN，DDCNN）用于高光谱图像分类一个新的基于局部与非局部决策的区域划分方法，将高光谱图像分区域。非局部决策在全局搜索超像素对相似性，局部决策通过邻域对于匀质区域样本，我们取一个大的空间窗保证充足的空间信息，卷积神经网络提取联合空谱特征。对于异质区域样本，我们取一个领域内的样本来自同一个类别，构建了一个微粒度卷积神经网络学通过不同实验数据可以看出我们的分治卷积网络是非常有效的。分治双结构 CNN 的高光谱图像分类.1 熵率超像素分割Entropy

j, 和 k 分别表示位于不同区域的中心样本。在图3.3（d）中，因为所有的样本属于同一个超像素，中心样本 i 被划分到匀质区域。在图 3.3（c）和（e）中，中心样本 j 和 k 的过滤器中的其他样本来自不同的超像素。在基于超像素分割的局部决策中，j 和 k 都将被划分到异质区域。事实上，通过图 3.3（a）和（b）,我们可以看出，样本 k 位于超像素分割图的边界区域，然而在真实标签图中， 它是位于匀质区域的。我们把这种现象称为“伪边界”，这是由于超像素分割引起的。在超像素分割图中

【参考文献】：
期刊论文
[1]递归滤波与KNN的高光谱遥感图像分类方法[J]. 涂兵,张晓飞,张国云,王锦萍,周瑶.  国土资源遥感. 2019(01)
[2]基于PCA与协同表示的高光谱图像分类研究[J]. 韩嫚莉,侯卫民,孙靖国,王明,梅少辉.  电子科技大学学报. 2019(01)
[3]基于组合降维及旋转SVM的高光谱图像分类[J]. 任荣,保文星.  合肥工业大学学报(自然科学版). 2018(12)
[4]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福.  遥感学报. 2016(05)



本文编号：3101119