基于KE-3D-CapsNet的高光谱图像分类方法研究

发布时间：2024-05-15 01:52

　　高光谱图像起源于遥感技术,应用领域包括地质、生物、医学和军事等。高光谱图像为三维数据,由光谱信息和图像信息组成,具有数据量庞大且冗余、光谱波段多以及波段间相关性高等特点,如何从高光谱图像中提取不变和鲁棒的特征,并进行准确分类是高光谱图像分类问题的关键。深度学习一经问世,在文本、语音、图像和视频的处理上都取得了成功,在更高维度的图像上应用深度学习也成为了新的挑战。卷积神经网络是深度学习中较为基础并且应用广泛的网络结构,但存在所需训练样本多、图像多义性表达差、池化层忽视大量信息的缺点。相比之下,胶囊网络(Caps Net)中的胶囊,将所有特征的状态信息,无论低级高级,均以向量的形式进行封装,与标量相比,将向量作为网络的输入,可以更完整地利用图像信息,保留更多的特征,低级别的胶囊通过动态路由机制向高级别的胶囊传递信息,层层抽象并分类,得到分类结果。基于以上原因,本文将非线性降维方法KPCA与扩展形态学轮廓方法(EMP)相结合,并应用3D-Caps Net进行高光谱图像的分类,即KE-3D-Caps Net,具体工作有:首先,针对高光谱图像数据量庞大、波段信息冗余的特点,采用具有高斯核的KPC...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 课题主要研究内容
    1.4 论文组织架构
第2章 高光谱图像分类方法的相关理论
    2.1 高光谱图像数据特性
    2.2 高光谱图像分类方法的基本理论
        2.2.1 降维
        2.2.2 数学形态学相关理论
        2.2.3 分类结果的评价标准
        2.2.4 高光谱图像的常用分类方法
    2.3 深度学习相关理论
        2.3.1 卷积神经网络相关理论
        2.3.2 胶囊网络的基础理论
    2.4 本章小结
第3章 基于KE-3D-CapsNet的高光谱图像分类方法
    3.1 基于KPCA的光谱信息降维
    3.2 基于EMP的空间信息提取
    3.3 3D-CapsNet
        3.3.1 网络结构
        3.3.2 工作原理
    3.4 基于KE-3D-CapsNet的高光谱图像分类方法的具体实现
    3.5 本章小结
第4章 高光谱图像分类实验及结果分析
    4.1 实验数据集及平台
        4.1.1 实验数据集
        4.1.2 实验平台
    4.2 实验与实验结果分析
        4.2.1 实验参数
        4.2.2 实验结果分析
    4.3 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢



本文编号：3973725