基于图嵌入和深度学习的高光谱图像分类

发布时间：2021-10-28 23:08

　　高光谱遥感图像一般由几十到上百个波段组成,富含丰富的光谱信息和空间信息,在国土测绘、地质矿产勘探、军事目标识别与追踪等各个领域有广泛的应用。然而由于高光谱遥感图像维度高、有标记样本少,数据间存在大量冗余,为图像的分类带来了极大地难度。因此,在大量的、复杂度高的高光谱图像数据中高效的提取特征并用于分类是非常有必要的。本文根据高光谱图像的特点,采用了基于图嵌入和深度学习方法来对高光谱遥感图像进行分析。本文研究内容归纳如下:（1）提出了一种基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法。为了充分利用高光谱图像的空谱信息且保持数据本身固有的高阶特性不变,提出了使用张量化图嵌入框架来实现空谱特征提取,所获得的低维投影不仅包含了样本本身的光谱信息,而且融入了样本空间邻域信息,更具有判别性。此外,结合稀疏低秩表示对数据的局部结构和全局结构的表示能力,利用拉普拉斯正则项保持样本间几何拓扑关系,构建了信息更加丰富的稀疏低秩正则图。最后,在高光谱图像上进行实验验证,在边缘和同质区域获得了比其他方法高的分类精度。（2）提出了一种基于样本扩充与生成对抗网络的高光谱图像特征提取和分类算法。由于高光谱遥感图像有... 

【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】：88 页

【学位级别】：硕士

【部分图文】：

高光谱遥感图像示意图

LE投影示意图

型训练复杂度低等优势，已在人脸识别、目标检测和追踪、自然语言处理等领域了广泛的应用。CNN 与一般的神经网络的区别是采用了卷积层和池化层两种模块。下图是经 CNN 模型 LeNet 的网络架构图，包含两个卷积层、两个池化层。


本文编号：3463485