基于卷积神经网络的高光谱数据分类方法研究

发布时间：2017-09-21 03:03

  本文关键词：基于卷积神经网络的高光谱数据分类方法研究

  更多相关文章： 高光谱图像 数据分类 卷积神经网络 空谱联合 深度学习

【摘要】：由于高光谱遥感技术的逐渐强大,遥感数据维度的不断增加,为高光谱数据分析中主流的分类问题带来挑战。在面对高光谱数据多维度、相关性、非线性、数据量大的特点下,如何将在其他分类任务中取得成功的算法应用到高光谱数据的分类中,变成了在高光谱遥感图像数据分析领域中的重要问题。除此之外,随着空间测量技术水平的提升,高光谱影像的空间分辨率越来越高,进而使得图片像元之间的相关性越来越高,给利用空间信息对高光谱数据进行分类提供了可能。本课题尝试将在图像识别、语言检测等方面取得成功的卷积神经网络算法应用在高光谱图像中,利用其能够应对非线性、网络结构简单、可并行运算等能力去解决高光谱数据分类问题。本课题首先对深度学习理论框架中的卷积神经网络进行了研究,探讨了卷积神经网络的深度模型结构,研究了支持卷积神经网络的Caffe平台,利用自然图像集对卷积分类实现平台进行了验证,并分析了该分类模型对高光谱地物信息进行分类的可能性。在卷积神经网络研究的基础上,以谱信息为分类依据,研究了基于卷积神经网络的高光谱数据分类方法,由于卷积神经网络的输入是图像,提出了两种谱信息变换成图像的方法。一种将谱信息转换为灰度图,利用卷积网络学习高光谱数据谱段间的变化纹理特征对数据进行分类;一种将谱信息转换为波形图,利用卷积网络学习高光谱数据谱段间波动特征对其进行分类。巧妙地利用了在图像分类方面取得了显著性成果的深度学习思想对高光谱遥感图像的像元进行分类。实验表明,这两种方法对分类任务中的样本种类数量比较敏感,在样本种类比较多的数据集上的分类结果优于基于PCA降维的高斯核支持向量机方法,在某些种类比较少的数据集上的分类结果全面优于当前主流的基于SVM和其他深度模型分类方法。证明了用卷积神经网络对高光谱数据分类具有可行性,并为提出更有效的模型和算法提供了一种新的方向。此外,为充分利用高光谱感知所提供的空间信息,同样基于卷积神经网络的灰度图和波形图研究了两种基于空谱联合的高光谱数据分类方法。实验证明,在加入了空间信息以后,利用卷积神经网络对高光谱数据分类的效果有了更明显的进步,同时证明了空间信息在高光谱数据分类中的重要意义,提高了遥感带来的丰富信息的利用率。
【关键词】：高光谱图像 数据分类 卷积神经网络 空谱联合 深度学习
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751;TP183
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-23
• 1.1 课题背景及研究的目的和意义8-9
• 1.2 国内外研究现状及分析9-21
• 1.2.1 光谱遥感技术9-11
• 1.2.2 高光谱数据分类11-14
• 1.2.3 深度学习理论14-20
• 1.2.4 卷积神经网络20-21
• 1.3 课题主要研究内容21-23
• 第2章 卷积神经网络的分析与验证23-44
• 2.1 卷积神经网络的理论模型23-26
• 2.1.1 局部感受野23-24
• 2.1.2 参数共享24-25
• 2.1.3 多卷积核25-26
• 2.2 卷积神经网络的实现框架26-30
• 2.2.1 现有学习框架及其特点26-29
• 2.2.2 Caffe框架分析29-30
• 2.3 实验平台搭建30-32
• 2.3.1 软件运行平台30-31
• 2.3.2 硬件平台31-32
• 2.3.3 模型选择32
• 2.4 卷积分类平台实验验证及结果分析32-42
• 2.4.1 样本图片预处理33-34
• 2.4.2 分类结果与样本内容的关系34-39
• 2.4.3 分类结果与迭代次数的关系39-40
• 2.4.4 分类结果与种类数量的关系40-41
• 2.4.5 分类模型测试时间分析41-42
• 2.4.6 卷积神经网络分类高光谱数据可行性分析42
• 2.5 本章小结42-44
• 第3章 基于卷积神经网络的高光谱图像数据分类44-58
• 3.1 基于谱信息灰度图像的分类方法45-46
• 3.2 基于谱信息波形图像的分类方法46-48
• 3.3 实验及分析48-57
• 3.3.1 实验数据简介48-50
• 3.3.2 数据处理50-51
• 3.3.3 模型深度分析51-54
• 3.3.4 训练样本情况分析54-56
• 3.3.5 对比实验56-57
• 3.4 本章小结57-58
• 第4章 基于空谱联合的高光谱图像分类方法58-65
• 4.1 基于空谱信息灰度图像的分类方法59-60
• 4.2 基于空谱信息波形图像的分类方法60-61
• 4.3 实验及分析61-64
• 4.3.1 数据处理61-62
• 4.3.2 分类结果62-64
• 4.3.3 对比实验及分析64
• 4.4 本章小结64-65
• 结论65-66
• 参考文献66-70
• 攻读硕士学位期间发表的论文70-72
• 致谢72

，

本文编号：891970