基于深度学习的半监督高光谱图像分类

发布时间：2020-03-30 14:27

【摘要】：高光谱图像分类是遥感高光谱图像处理的一个重要分支。它的目的是通过计算机分析等手段确定遥感高光谱图像中每一个像元真实的地物类标。现如今,深度学习在机器学习和模式识别等领域吸引了广大科研人员的关注,越来越多的学者将深度学习应用于高光谱图像分类来获得更佳的分类效果。在高光谱图像分类中,需要对高光谱图像的每一个像元进行标注,该过程工作量较大,因其拥有大量的无标签数据,更增加了标注的难度。因此使用大量的无标签样本和少量的有标签样本对高光谱图像进行半监督分类能够有效解决标注难的问题。基于以上分析,本文设计了基于半监督深度学习的高光谱图像分类框架来对高光谱图像进行分类,从而解决高光谱数据标注难和深度学习需要大量有标签数据的问题。本文的研究内容如下:(1)设计了一种能够同时使用少量的有标签和大量的无标签高光谱像元进行训练的半监督神经网络模型。传统的深度学习通常会用无标签样本对网络进行逐层预训练来初始化。在本文所设计的网络中,通过对网络增加一个解码通道使得网络能够在进行分类任务的同时也能够进行重建任务,在编码器和解码器之间添加一条横向连接使得顶层的特征能够专注于分类任务,重建时可以通过这些横向连接直接对原始的编码器的特征进行重建。通过该方法能让无标签样本能够辅助有标签样本,来获得更高的分类精度。(2)设计了一种能够联合高光谱图像的空间和谱间信息进行半监督分类的网络模型。在上一个方法中忽略了高光谱图像的空间信息,并且现有结合空间信息与深度学习的方法仅能使用有标签样本进行训练。针对上述问题,本文设计了一种能够同时利用高光谱数据谱间和空间信息的半监督3维卷积神经网络,该模型的关键是结合空谱联合信息进行特征提取,并且同时充分利用了大量的无标签样本,通过该模型能够获得更佳的分类效果。(3)设计了一种能够学习到像元之间度量关系的网络,并使用该网络对无标签样本进行伪标签标注的方法。传统的高光谱像元度量方法并不能很好的度量两个像元的关系,针对此问题,设计了一个能够度量两个像元是否同属一类的关系网络,在该网络中采用卷积神经网络来提取两个像元的特征,并且将两个特征级联起来再使用一个新的网络来学习它们之间的关系,最后通过该网络能判断出两个像元是否同属一类。利用该网络与邻域信息相结合,对无标签样本进行伪标签标注,最后同时使用这些带标签的数据训练一个新的分类器。
【图文】：

高光谱图像

6 S4CNN 在 Pavia University 数据集与不同的方法在不同比例训练样本时两个数据集的结果，本章算法无论是在分类的准确率上还是在分于其它对比算法的。在对比3D-CNN和本文重新设计的3D-CNN的网络结构明显优于对比算法，，首先是因为对比方法输入的是未降始数据的纬度比较高，谱间冗余性比较大，所以直接使用原始数特征提取不是很合适，其次是本文设计的网络在训练时会使用批络训练，提高网络的训练效果。在对比BASE-3DCNN算法过程中显的提升，这充分的说明本文算法对无标签样本的引入促进分类。这是因为网络在输入无标签样本时能够学到有标签样本中没有网络的泛化能力。同时对比BASE-3DCNN和SSRN时，能够发现提取网络不如SSRN算法，但是将网络和半监督思想结合以后，网优于当前最好的SSRN算法，这证明了本文算法已经能够取得优异类能力上不弱于其它算法。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP18

【相似文献】

相关期刊论文 前10条

1 王斌;;基于高光谱图像技术的水果表面农药残留检测观察[J];种子科技;2017年04期

2 陈绫钢;吕靖芳;;高光谱图像技术在农产品监测中的应用进展[J];北京农业;2016年01期

3 朱贞映;袁建;何荣;;粮油中高光谱图像技术的应用现状[J];粮食与饲料工业;2016年09期

4 徐爽;何建国;马瑜;梁慧琳;刘贵珊;贺晓光;;高光谱图像技术在水果品质检测中的研究进展[J];食品研究与开发;2013年10期

5 刘遵雄;蒋中慧;任行乐;;基于核方法协同表示的高光谱图像分类[J];广西大学学报(自然科学版);2019年05期

6 叶珍;白t

本文编号：2607664