基于CNN和MRF的高光谱遥感图像分类

发布时间：2021-03-02 00:34

　　高光谱遥感图像蕴含着丰富的地物信息,对于高光谱遥感数据的解译和分类方法一直是研究者的研究重点所在。本文针对高光谱遥感图像的高维度、训练数据不足的特点研究了基于卷积神经网络和马尔科夫随机场的高光谱遥感图像分类方法。研究了基于空-谱特征融合的改进型卷积神经网络高光谱遥感图像分类方法。将传统卷积神经网络结构做重新设计,使用与光谱波段同维的卷积核结构对训练数据做光谱空间特征融合提取,在全连接层间加入Dropout控制向量,与ReLU函数搭配使用,设计一种具有深度空谱特征提取能力和强泛化能力的卷积神经网络模型SSCF-CNN。在国际通用遥感实验数据集上与其他方法做实验对比,结果表明SSCF-CNN具有较好的准确性,能够对不同数据集完成精度较高的分类。针对分类结果中的“椒盐”现象,将SSCF-CNN与马尔科夫随机场结合,设计了基于卷积神经网络和马尔科夫随机场的高光谱遥感图像分类算法。算法基于SSCF-CNN对高光谱遥感图像的分类结果构建标记场,搭建SSCF-CNN-MRF分类优化框架,完成对SSCF-CNN分类结果的优化。针对分类结果中不同区域交界的“各向同性”问题,设计了基于集成学习Baggin... 

【文章来源】：山东科技大学山东省

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图１．１高光谱遥感图像??Ｆｉｇ．?１．１?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ??对高光谱遥感图像做地物分类处理，需要对遥感图像像素做逐一标记，这一??

一练方半监督分类Ｉ??待分类高光纖据?Ｈ???Ｉ—多分类器集成??［－硬分类一卜―???—???＊—?单分类器??＾素构ｚｚｚ＝＾＝＾＝????￣Ｉ混合像元分解??Ｌ软分类－?■■?＝???？—?模糊分类??图１．２髙光谱遥感分类技术策略??Ｔｅｃｈｎｉｃａｌ?ｆｒａｍｅｗｏｒｋ?ａｎｄ?ｓｔｒａｔｅｇｙ?ｏｆ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｆｏｒ?ｈｙｐｅｒｓｐｅｃｔｒａｌ．３所示，每一类地物对应的光谱曲线均是定量化的连续光或提取特定波段来突出目标特征。基于对遥感数据的统计数据的光谱和纹理特征，通过诸如最大似然估计、最小间识别方法［５］实现对地物遥感影像的识别和分类，国内外研计模式识别领域的诸多方法［６］引入到高光谱遥感数据分类网络、支持向量机、遗传算法等一系列分类策略。??

（ａ）?（ｂ）??图２．１局部连接??Ｆｉｇ．?２．１?Ｌｏｃａｌ?ｃｏｎｎｅｃｔｉｖｉｔｙ??从图２．１中可以看出局部连接与全连接的结构区别，自上而下来看，与全连??接状态的Ｌ层不同，ＣＮＮ通过加强神经网络中相邻层之间节点的局部连接模式??来挖掘自然图像的空间局部关联信息。第Ｌ层各节点所获取的输入数据只是构??成第Ｌ－１层全部节点的一部分。各层神经元之间添加激活函数（非线性滤波器），??从而使高层神经元以极少的参数量获取了更高阶的抽象特征，这种局部连接模式??提取局部特征的方法极大的减少了网络参数和计算量，使得模型能够处理更加复??杂的图像识别任务。??２．２．?１．２权值共享??权值共享（ｗｅｉｇｈｔ?ｓｈａｒｉｎｇ）又叫做卷积核参数共享。权值共享的结构思想源??于一个基本假设一一在图像数据中，具有语义含义的像素“簇”中，各像素与其??邻域像素点之间存在高度相关性。该思想的最直接体现是使用固定尺寸和数值的??卷积核对图像局部区域逐步做卷积运算，得出的值为该卷积核在局部区域获取的??特征值


本文编号：3058257