基于深度学习的高光谱图像分类方法研究
发布时间：2021-07-09 22:17
高光谱图像分类是高光谱数据分析过程中最重要的任务之一,精准的分类结果是高光谱遥感广泛应用的前提。近年来,深度学习以其强大的表征能力在计算机视觉领域取得巨大成功,应用深度学习处理高光谱图像分类问题是当前遥感领域的研究热点。然而,由于高光谱图像中光谱数据维度与可用训练样本数目的失衡,深度学习网络常面临过拟合问题。各种深度学习网络固有的建筑模块在不同方面限制了其对光谱、空间信息的联合利用与学习。针对上述问题,结合高光谱数据的特点,本文提出两种基于深度学习的高光谱图像分类方法。具体内容如下:1、提出一种基于光谱角距离加权融合和可变形卷积神经网络的分类方法。首先,使用层级引导滤波提取边缘等低级空间特征。然后,通过计算余弦夹角距离评定特征融合的权值参数,对多层次的滤波输出进行加权融合。最后,构建深度可变形卷积神经网络对融合特征进行深层抽象,完成端到端分类。该方法在空谱联合特征的获取过程中考虑了二维卷积忽略的光谱相关性,利用具有可变形结构的卷积神经网络自适应性地概括高光谱图像中场景成像的各种变换。2、提出一种基于多尺度形状体的图正则堆叠稀疏自编码网络的分类方法。首先,使用超像素分割方法构建不同形状的...
【文章来源】：辽宁师范大学辽宁省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
高光谱图像
基于深度学习的高光谱图像分类方法研究-8-2深度学习相关理论2.1人工神经网络人工神经网络能够高效准确地学习并解释现实中复杂多变的数据，是当前人工智能领域中最为有效的方法之一。神经网络以仿生学为依据，通过抽象和模拟生物脑神经系统的工作原理和基本特性建立数学模型。生物神经系统是大量相互连接的生物神经元构成的复杂网络，它通过改变神经元之间的连接甚至生成新的连接达到学习的目的。在生物神经系统中，神经冲动经树突传递进生物神经元，并由细胞核决定是否继续将冲动通过轴突传递给其他相连的神经元。类似地，研究者通过一系列带权连接的简单人工神经元构成神经网络模型，每个人工神经元接收来自其他神经元的输出信号，在整合所有输入信息后产生新的输出。神经网络通过不断调整连接上的权重达到学习的目的。图2.1生物神经元Fig.2.1Biologicalneuron2.1.1前向传播完整的神经网络由一个输入层、不定数目的隐藏层和一个输出层构成。每个隐藏层都含有一个偏置单元，也就是截距项，用b表示。与其他节点不同，偏置单元没有输入即不需要与上一层节点连接。节点间连线的权值用W表示。记lijW为第l层第j单元与第l1层第i单元之间的连接权值，lib为第l层第i单元的偏置，则网络参数表示为W,bWl,bl。则为神经网络信息传递建模如下：
植扛兄?腿ㄖ倒蚕斫峁故苟辔?图像的直接输入成为可能，其避免了复杂的数据重构等预过程，弥补了全连接网络完全无视输入图像空间上下文信息的缺憾。下采样不仅能降低所提特征的维度，还能增强网络对图像变换的应对能力，使网络具有平移不变性。2.3.2基本结构卷积神经网络是一类具有特殊结构的深度前馈人工神经网络。典型的CNN主要由输入层、卷积层、池化层、全连接层和应用于分类的softmax输出层构成。如图所示，CNN可直接以图像矩阵为输入，经交替连接的卷积层、池化层，通常最终以softmax分类器作输出层结束网络。图2.2LeNet5的网络结构Fig.2.2ThenetworkstructureofLeNet5（1）卷积层卷积层是CNN不可缺少的最重要的组成部分，它使网络具有自动提取特征的能力。卷积层的输入与输出之间通过卷积核连接，卷积核是卷积层的核心，它的本质是权值矩阵。卷积核的大小决定了输入图像参与局部特征提取的区域范围，即局部感受野的大校每个局部感受野内的元素与卷积核内的权值参数一一对应作内积得到当前覆盖位置的输出，这个过程即为卷积运算。在共享权值的机制下，每个卷积核在遍历整个图像期间不改变权值参数。输出特征图的每个元素对应卷积核在输入图像中相应移动位置的卷积结果。图2.3描述了一个卷积核进行特征提取的详细过程：
【参考文献】：
期刊论文
[1]基于分层引导滤波与最近邻正则化子空间的高光谱图像分类[J]. 徐冬冬,程德强,陈亮亮,寇旗旗,唐守锋. 光子学报. 2020(04)
[2]CNN和三维Gabor滤波器的高光谱图像分类[J]. 魏祥坡,余旭初,谭熊,刘冰,职露. 计算机辅助设计与图形学学报. 2020(01)
[3]面向高光谱图像分类的局部Gabor卷积神经网络[J]. 王燕,王丽. 计算机科学. 2020(06)
[4]基于3D多尺度特征融合残差网络的高光谱图像分类[J]. 郭文慧,曹飞龙. 模式识别与人工智能. 2019(10)
[5]基于TSNE和多尺度稀疏自编码的高光谱图像分类[J]. 董安国,张倩,刘洪超,梁苗苗. 计算机工程与应用. 2019(21)
[6]基于降维Gabor特征和决策融合的高光谱图像分类[J]. 杨秀杰,高丽. 计算机应用研究. 2020(03)
[7]基于图正则自适应联合协同表示的高光谱图像分类[J]. 李冬青,程玉虎,王雪松. 控制与决策. 2020(05)
[8]SSCDenseNet:一种空-谱卷积稠密网络的高光谱图像分类算法[J]. 刘启超,肖亮,刘芳,徐金环. 电子学报. 2020(04)
本文编号：3274604
【文章来源】：辽宁师范大学辽宁省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
高光谱图像
基于深度学习的高光谱图像分类方法研究-8-2深度学习相关理论2.1人工神经网络人工神经网络能够高效准确地学习并解释现实中复杂多变的数据，是当前人工智能领域中最为有效的方法之一。神经网络以仿生学为依据，通过抽象和模拟生物脑神经系统的工作原理和基本特性建立数学模型。生物神经系统是大量相互连接的生物神经元构成的复杂网络，它通过改变神经元之间的连接甚至生成新的连接达到学习的目的。在生物神经系统中，神经冲动经树突传递进生物神经元，并由细胞核决定是否继续将冲动通过轴突传递给其他相连的神经元。类似地，研究者通过一系列带权连接的简单人工神经元构成神经网络模型，每个人工神经元接收来自其他神经元的输出信号，在整合所有输入信息后产生新的输出。神经网络通过不断调整连接上的权重达到学习的目的。图2.1生物神经元Fig.2.1Biologicalneuron2.1.1前向传播完整的神经网络由一个输入层、不定数目的隐藏层和一个输出层构成。每个隐藏层都含有一个偏置单元，也就是截距项，用b表示。与其他节点不同，偏置单元没有输入即不需要与上一层节点连接。节点间连线的权值用W表示。记lijW为第l层第j单元与第l1层第i单元之间的连接权值，lib为第l层第i单元的偏置，则网络参数表示为W,bWl,bl。则为神经网络信息传递建模如下：
植扛兄?腿ㄖ倒蚕斫峁故苟辔?图像的直接输入成为可能，其避免了复杂的数据重构等预过程，弥补了全连接网络完全无视输入图像空间上下文信息的缺憾。下采样不仅能降低所提特征的维度，还能增强网络对图像变换的应对能力，使网络具有平移不变性。2.3.2基本结构卷积神经网络是一类具有特殊结构的深度前馈人工神经网络。典型的CNN主要由输入层、卷积层、池化层、全连接层和应用于分类的softmax输出层构成。如图所示，CNN可直接以图像矩阵为输入，经交替连接的卷积层、池化层，通常最终以softmax分类器作输出层结束网络。图2.2LeNet5的网络结构Fig.2.2ThenetworkstructureofLeNet5（1）卷积层卷积层是CNN不可缺少的最重要的组成部分，它使网络具有自动提取特征的能力。卷积层的输入与输出之间通过卷积核连接，卷积核是卷积层的核心，它的本质是权值矩阵。卷积核的大小决定了输入图像参与局部特征提取的区域范围，即局部感受野的大校每个局部感受野内的元素与卷积核内的权值参数一一对应作内积得到当前覆盖位置的输出，这个过程即为卷积运算。在共享权值的机制下，每个卷积核在遍历整个图像期间不改变权值参数。输出特征图的每个元素对应卷积核在输入图像中相应移动位置的卷积结果。图2.3描述了一个卷积核进行特征提取的详细过程：
【参考文献】：
期刊论文
[1]基于分层引导滤波与最近邻正则化子空间的高光谱图像分类[J]. 徐冬冬,程德强,陈亮亮,寇旗旗,唐守锋. 光子学报. 2020(04)
[2]CNN和三维Gabor滤波器的高光谱图像分类[J]. 魏祥坡,余旭初,谭熊,刘冰,职露. 计算机辅助设计与图形学学报. 2020(01)
[3]面向高光谱图像分类的局部Gabor卷积神经网络[J]. 王燕,王丽. 计算机科学. 2020(06)
[4]基于3D多尺度特征融合残差网络的高光谱图像分类[J]. 郭文慧,曹飞龙. 模式识别与人工智能. 2019(10)
[5]基于TSNE和多尺度稀疏自编码的高光谱图像分类[J]. 董安国,张倩,刘洪超,梁苗苗. 计算机工程与应用. 2019(21)
[6]基于降维Gabor特征和决策融合的高光谱图像分类[J]. 杨秀杰,高丽. 计算机应用研究. 2020(03)
[7]基于图正则自适应联合协同表示的高光谱图像分类[J]. 李冬青,程玉虎,王雪松. 控制与决策. 2020(05)
[8]SSCDenseNet:一种空-谱卷积稠密网络的高光谱图像分类算法[J]. 刘启超,肖亮,刘芳,徐金环. 电子学报. 2020(04)
本文编号：3274604
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3274604.html
