基于深度学习的小样本高光谱图像分类
发布时间：2021-07-16 08:09
空间成像技术的飞速发展使高光谱遥感图像的获取更加便捷和应用更加广泛。高光谱图像具有丰富的光谱维度信息和高分辨率的空间信息,这使得其在实现地物的精细分类方面拥有巨大应用价值。高光谱遥感图像即包含高维数据和明确的空间轮廓,又包含大量的噪声信息,所以提取有价值的特征对图像分类至关重要。传统手工特征提取方法往往费时费力,而且只能够提取浅层特征。作为机器学习的一个重要分支,深度学习凭借其隐式学习和深层次特征提取等独特优势在图像处理方面大放异彩。应用深度学习模型进行高光谱遥感图像分类具有重大研究价值。论文主要研究内容如下:首先针对训练样本的匮乏问题,在图像旋转增广方法的基础上,提出了改进的数据增广方法,扩充后得到了包含更多信息的训练样本,并通过对比实验验证了方法的改进对模型泛化能力的显著提升。其次针对深度学习模型层数过深容易导致泛化能力退化问题,结合残差学习原理提出了新型深度卷积网络模型,并在三个实验数据集上验证了模型能够达到比其他方法更高的分类精度。最后提出一个多尺度滤波器卷积网络（MSFCNN）,并对深度学习模型无监督学习进行了探索,采用最小噪声分离变换方法得到样本标签图...
【文章来源】：燕山大学河北省
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
高光谱图像在三维坐标系中的展示
所属类别进行机器识别或分类，高光谱图像分类是对图像中每一个像元点的标签进行分类，通过对图像中的每一个像元的标签进行判别后，对整张遥感图像的地貌信息进行划分，从而达到通过机器分辨真实地貌的效果。高光谱分类的概览如图1-2所示，针对不同像元在连续的光谱波段上的表现差异，从光谱信息出发，结合像元与邻域像元之间的空间信息，如河流或湖泊总是成条流或成片存在的，通过光谱信息和空间信息的联合特征提取，对每一个未知样本像元进行预测分类。通过对图像信息进行分类研究，我们可以大致了解到一定区域内的真实地貌是怎样的，节省了人工标识或者实地调查等耗时耗力的环节，且随着研究的深入，地区精细地物的分类的准确率也具有一定的保障[14]。1.2 国内外研究现状1.2.1 传统分类方法的研究现状传统的高光谱图像分类方法大多基于特征提取和波段选择，通过提取出具有判别价值的信息进行分类。同时这些具有降维作用的方法也会一定程度上解决由于训练集的样本量少和维度高等特性导致修斯现象发生的问题[15, 16]。常用的降维方法包含特征提取和波段选择。从计算角度来看，特征提取分为线性提取方法和非线性提取方法[17–21]。Benediktsson等人supercit
线性处理不能对特征进行有效区分。卷积神经网络中的激活函数的作用即为模型添加非线性因素，提高卷积网络对真实的模型的表达能力，从而解决线性模型不能解决的问题。如图2-1所示，常见的激活函数有Sigmod函数、Tanh函数和ReLU函数。图2-1三种常见激活函数图像Sigmod激活函数的取值范围为(0,1)的开区间，而且在靠近原点附近时，函数的斜率较大，表明这是神经元的敏感区域；当定义域接近于两侧时，函数的斜率较小，表明这是神经元的抑郁区。函数的计算原理如公式(2-3)所示：- 7 -
【参考文献】：
期刊论文
[1]SVM在高光谱图像处理中的应用综述[J]. 王立国,赵亮,刘丹凤. 哈尔滨工程大学学报. 2018(06)
[2]基于卷积神经网络的高光谱图像谱-空联合分类[J]. 付光远,辜弘炀,汪洪桥. 科学技术与工程. 2017(21)
[3]多任务学习及卷积神经网络在人脸识别中的应用[J]. 邵蔚元,郭跃飞. 计算机工程与应用. 2016(13)
[4]基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 刘轲,周清波,吴文斌,陈仲新,唐华俊. 农业工程学报. 2016(03)
[5]农产品外部品质无损检测中高光谱成像技术的应用研究进展[J]. 李江波,饶秀勤,应义斌. 光谱学与光谱分析. 2011(08)
[6]高光谱遥感技术综述[J]. 袁迎辉,林子瑜. 中国水运(学术版). 2007(08)
[7]高光谱遥感技术在水环境监测中的应用研究[J]. 万余庆,张凤丽,闫永忠. 国土资源遥感. 2003(03)
[8]以地物识别和分类为目标的高光谱数据挖掘[J]. 王晋年,张兵,刘建贵,童庆禧,郑兰芬. 中国图象图形学报. 1999(11)
[9]红外遥感技术的进展与展望[J]. 崔承禹. 国土资源遥感. 1992(01)
本文编号：3286631
【文章来源】：燕山大学河北省
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
高光谱图像在三维坐标系中的展示
所属类别进行机器识别或分类，高光谱图像分类是对图像中每一个像元点的标签进行分类，通过对图像中的每一个像元的标签进行判别后，对整张遥感图像的地貌信息进行划分，从而达到通过机器分辨真实地貌的效果。高光谱分类的概览如图1-2所示，针对不同像元在连续的光谱波段上的表现差异，从光谱信息出发，结合像元与邻域像元之间的空间信息，如河流或湖泊总是成条流或成片存在的，通过光谱信息和空间信息的联合特征提取，对每一个未知样本像元进行预测分类。通过对图像信息进行分类研究，我们可以大致了解到一定区域内的真实地貌是怎样的，节省了人工标识或者实地调查等耗时耗力的环节，且随着研究的深入，地区精细地物的分类的准确率也具有一定的保障[14]。1.2 国内外研究现状1.2.1 传统分类方法的研究现状传统的高光谱图像分类方法大多基于特征提取和波段选择，通过提取出具有判别价值的信息进行分类。同时这些具有降维作用的方法也会一定程度上解决由于训练集的样本量少和维度高等特性导致修斯现象发生的问题[15, 16]。常用的降维方法包含特征提取和波段选择。从计算角度来看，特征提取分为线性提取方法和非线性提取方法[17–21]。Benediktsson等人supercit
线性处理不能对特征进行有效区分。卷积神经网络中的激活函数的作用即为模型添加非线性因素，提高卷积网络对真实的模型的表达能力，从而解决线性模型不能解决的问题。如图2-1所示，常见的激活函数有Sigmod函数、Tanh函数和ReLU函数。图2-1三种常见激活函数图像Sigmod激活函数的取值范围为(0,1)的开区间，而且在靠近原点附近时，函数的斜率较大，表明这是神经元的敏感区域；当定义域接近于两侧时，函数的斜率较小，表明这是神经元的抑郁区。函数的计算原理如公式(2-3)所示：- 7 -
【参考文献】：
期刊论文
[1]SVM在高光谱图像处理中的应用综述[J]. 王立国,赵亮,刘丹凤. 哈尔滨工程大学学报. 2018(06)
[2]基于卷积神经网络的高光谱图像谱-空联合分类[J]. 付光远,辜弘炀,汪洪桥. 科学技术与工程. 2017(21)
[3]多任务学习及卷积神经网络在人脸识别中的应用[J]. 邵蔚元,郭跃飞. 计算机工程与应用. 2016(13)
[4]基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 刘轲,周清波,吴文斌,陈仲新,唐华俊. 农业工程学报. 2016(03)
[5]农产品外部品质无损检测中高光谱成像技术的应用研究进展[J]. 李江波,饶秀勤,应义斌. 光谱学与光谱分析. 2011(08)
[6]高光谱遥感技术综述[J]. 袁迎辉,林子瑜. 中国水运(学术版). 2007(08)
[7]高光谱遥感技术在水环境监测中的应用研究[J]. 万余庆,张凤丽,闫永忠. 国土资源遥感. 2003(03)
[8]以地物识别和分类为目标的高光谱数据挖掘[J]. 王晋年,张兵,刘建贵,童庆禧,郑兰芬. 中国图象图形学报. 1999(11)
[9]红外遥感技术的进展与展望[J]. 崔承禹. 国土资源遥感. 1992(01)
本文编号：3286631
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3286631.html
