基于深度学习的高光谱遥感影像分类技术研究

发布时间：2020-06-06 15:31

【摘要】：随着遥感技术和高光谱测量手段的不断发展,高光谱遥感影像分类方法成为研究的热点问题之一。传统的特征提取和分类器的框架,采用人工提取特征往往不够全面,无法充分利用高光谱影像自身空间和光谱信息。结合当下广泛流行的深度学习技术方法,本文从高光谱影像数据特点出发,使用3D-CNN充分提取空间光谱联合特征,自适应提取特征而无需人工设计特征,实现端到端的模型。在精度和速度等多方面相较于现有的处理高光谱影像的模型有较大的提升,主要研究内容和成果包括下面四个方面:1)实现了基于3D-CNN的空谱信息联合高光谱影像分类方法。基于3D-CNN结构,利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息充分融合,从而提取出在分类中重要的有判别力的特征。该网络结构既考虑高光谱遥感影像标签数据缺乏的问题,也考虑高光谱影像高维特性和模型深度之间的平衡问题,充分利用空谱联合提供的语义信息。2)实现了基于3D-CNN和密集连接结构的3D-DenseNet的高光谱影像分类方法。3D-DenseNet通过密集连接结构,加强特征传输,鼓励特征复用,促进网络信息流动。结合3D-CNN和密集连接的优良特性,实现空谱特征的深度提取。3)实现了引入注意力机制的3D-SE-DenseNet的高光谱影像分类方法。针对高光谱数据存在的稀疏特性,在空间上样本分布不均,在光谱维度上存在大量高维冗余信息,因此引入Squeeze-and-Excitation模块(SE模块),对不同通道间的卷积特征图进行关联,加速深度模型对地物类型的理解,有效的控制了参数总量,提升了分类精度,特别是面对小样本数据时非常有效。4)实现了基于特征聚合方式的深度特征聚合网络的高光谱影像分类方法。从聚合视图角度出发,结合残差结构和密集连接结构以及特征融合机制,使网络能够更深的传递,从而提取深度特征,在面对不同高光谱数据的特征时,可以设计不同的聚合方式,为高光谱影像分类提供了很好的思路。
【图文】：

本文引入了印第安纳松树林测试区图（Ind大学的城区图（PaviaUniversity）这两个最具代表性的 Pines 数据集es 数据集是 1992 年 6 月由 AVIRIS 光谱成像仪在美国纳松树林实验区收集而成数据。图像的大小为 145×145，共有 224 个光谱反射波段，在 0.4～2.5 μm 的波长范其中 20 个水汽吸收和低信噪比波段([104-108]，，[1500 个波段进行实验。数据集有 16 个地物类别，其中包，三分之一的森林以及其他自然多年生植被，有两条主条铁路线，以及一些低密度住房，其他建筑结构和较小现场 6 月采取的一些作物，玉米，大豆，处于生长的早该数据集的伪彩图和样本空间分布标签如图 1.1 所示本数如表 1.1 所示。

.2 Pavia University 数据集的伪彩图和样本空间分布标签lse color images and ground-truth labels on Pavia Universit 1.2 Pavia University 数据集上各类地物及分配样本数es of objects and the number of assigned samples on Pavia 颜色 地物类别 样本数沥青 6631草甸 18649砾石 2099树木 3064金属板 1345裸土 5029柏油 1330砖 3682阴影 947样本总数 42776
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：P237

【参考文献】

相关期刊论文 前6条

1 杨可明;刘士文;王林伟;杨洁;孙阳阳;何丹丹;;光谱最小信息熵的高光谱影像端元提取算法[J];光谱学与光谱分析;2014年08期

2 尹凡;刘燕;董晶晶;卢长明;徐海根;;基于冠层实测光谱的油菜品种识别[J];湖北农业科学;2013年23期

3 何明一;畅文娟;梅少辉;;高光谱遥感数据特征挖掘技术研究进展[J];航天返回与遥感;2013年01期

4 张兵;;智能遥感卫星系统[J];遥感学报;2011年03期

5 罗音,舒宁;基于信息量确定遥感图像主要波段的方法[J];城市勘测;2002年04期

6 刘建平,赵英时,孙淑玲;高光谱遥感数据最佳波段选择方法试验研究[J];遥感信息;2001年01期

相关博士学位论文 前1条

1 高阳;高光谱数据降维算法研究[D];中国矿业大学;2013年

本文编号：2699887