基于深度学习的高光谱遥感图像特征学习与分类算法研究

发布时间：2021-11-13 00:34

　　高光谱遥感相比传统遥感技术具有波段多、分辨率高、数据量大、信息冗余增加等新特点,其标志性特征是图谱合一。近年来高光谱遥感受到国内外科技工作者的高度重视。高光谱遥感图像分类作为获取地物信息的重要途径之一,成为了遥感领域研究的热点。本文以高光谱遥感图像分类为目标,针对高光谱遥感图像带标记样本少、人工标记成本高、传统神经网络分类法容易因训练样本不足而出现过拟合、分类精度不高等问题,提出了一种基于辅助分类器生成对抗网络的高光谱遥感图像分类法（HS-ACGAN）。利用生成对抗网络的优势在训练过程中减少对标记样本的需求,同时学习到地物的光谱特征,并对样本的所属类别做出预测。同时研究了该分类模型中训练样本率和块大小对分类精度的影响。针对高光谱图像易受噪声干扰,光谱间存在“同物异谱”和“异物同谱”的现象,本文提出利用卷积神经网络对基于辅助分类器生成对抗网络的光谱特征分类法（ACGAN-CNN）。我们将预训练的辅助分类器生成对抗网络中的判别器作为光谱特征提取器,利用卷积神经网络对光谱特征进行分类。实验表明,该方法可以降低误分,提升分类精度。针对现有的基于生成对抗网络的高光谱遥感图像分类方法较少,且大多只... 

【文章来源】：华侨大学福建省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

PaviaUniversity数据集单波段灰度图及地面实况

PaviaUniversity数据集中9类地物的光谱曲线

Indian Pines 数据集原始数据包含 224 个波段，光谱覆盖范围为 0.4~2.5空间分辨率为 20m,图像大小为 145px*145px。去除 4 个严重受损的波段和 20水 吸 收 波 段 后 剩 余 200 个 波 段 , 最 后 实 验 使 用 的 实 际 图 像 大 小145px*145px*200①。数据集包含 16 类地物，其单波段灰度图和地物实况分布图 1.3 所示。

【参考文献】：
期刊论文
[1]一种利用空间和光谱信息的高光谱遥感多分类器动态集成算法[J]. 苏红军,刘浩.  国土资源遥感. 2017(02)
[2]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)
[3]一种基于图像熵的密度峰值聚类波段选择方法[J]. 赵海士,路来君,杨晨.  吉林大学学报(理学版). 2017(02)
[4]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊.  遥感学报. 2016(02)
[5]训练样本数量选择和总体分类精度的关系研究[J]. 王春来,张森原,崔璐,葛玉停,张金禄,张淼泓.  河南城建学院学报. 2015(03)
[6]一种多特征结合的遥感图像分类方法[J]. 俞璐,谢钧.  计算机应用与软件. 2014(11)
[7]基于中间层特征的全极化SAR监督地物分类[J]. 任俊英,苏彩霞,曹永锋.  遥感技术与应用. 2014(02)
[8]高光谱影像的多核SVM分类[J]. 谭熊,余旭初,秦进春,魏祥坡.  仪器仪表学报. 2014(02)
[9]基于KMNF和BP神经网络的高光谱遥感影像分类[J]. 林娜,杨武年,王斌.  计算机工程与设计. 2013(08)
[10]空-谱二维蚁群组合优化SVM的高光谱图像分类[J]. 陈善静,胡以华,石亮,王磊,孙杜娟,徐世龙.  光谱学与光谱分析. 2013(08)

博士论文
[1]基于半监督集成支持向量机的土地覆盖遥感分类方法研究[D]. 刘颖.中国科学院研究生院(东北地理与农业生态研究所) 2013

硕士论文
[1]基于深度学习的高光谱遥感图像分类[D]. 王巧玉.华侨大学 2016
[2]结合近邻选择的高光谱图像分类算法研究[D]. 赵振凯.南京师范大学 2016
[3]卷积神经网络研究及其在基音检测中的应用[D]. 黄志强.内蒙古大学 2015
[4]基于支持向量机的高光谱遥感图像分类方法研究[D]. 高晓健.杭州电子科技大学 2013



本文编号：3491954