基于深度多特征迁移网络的高光谱图像分类

发布时间：2021-03-05 03:12

　　随着遥感成像技术的飞速发展,高光谱传感器能够获取到包含着成百上千条谱带与庞大空间信息的高光谱图像（Hyperspectral Image,HSI）,它的出现也为我们开辟了一个新的研究领域――高光谱图像分类。该方法是一种基于像素点的分类方法,主要利用像素点所携带的高维光谱信息,训练分类器对整幅高光谱图像中的像素点进行类别标定。目前,高光谱图像分类已经被广泛应用于精细农业,地质勘测与环境科学等众多领域之中。传统的高光谱图像分类方法通常使用一个浅层分类模型,对图像中的像素点进行类别标定。然而,浅层模型中手动设计的低阶特征与分类器参数对于输入数据的局部变化非常敏感,会严重影响分类精度的提升。深度神经网络（Deep Neural Network,DNN）相比于浅层方法,能够自动学习出输入数据鲁棒性更好的高阶抽象特征,目前已经在高光谱分类领域引起了广泛的关注。然而,现有的基于深度神经网络的高光谱图像分类方法无法充分利用图像中的光谱与空间信息,并且只能够针对特定的图像进行训练和测试。构建一个有效的深度神经网络依赖于大量带类标样本,但是对高光谱图像进行大量的样本标定费时费力。针对以上的问题,论文首先提... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 迁移学习方法
    1.4 研究内容及章节安排
第二章 基础理论
    2.1 引言
    2.2 扩展形态学属性剖面特征提取方法
    2.3 栈式稀疏自动编码器
        2.3.1 稀疏自动编码器
        2.3.2 栈式稀疏自动编码器
    2.4 主动学习方法
        2.4.1 边缘采样策略
        2.4.2 多类别不确定性策略
        2.4.3 基于“委员会”策略
    2.5 本章小结
第三章 基于多特征融合与主动迁移一体化网络的高光谱图像分类方法
    3.1 引言
    3.2 深度多特征融合与分类网络
        3.2.1 深度光谱特征提取网络
        3.2.2 深度空间特征提取网络
        3.2.3 深度光谱-空间特征融合与分类网络
    3.3 基于深度多特征融合与分类网络的主动学习策略
    3.4 主动特征与样本迁移算法
        3.4.1 基于遥感图像分类的迁移算法
        3.4.2 主动特征与样本迁移算法实现流程
    3.5 实验结果分析
        3.5.1 高光谱图像分类性能评价指标
        3.5.2 数据库与实验设置介绍
        3.5.3 深度多特征融合与分类网络性能分析
        3.5.4 基于深度多特征融合与分类网络的主动学习策略性能分析
        3.5.5 主动特征与样本迁移算法性能分析
    3.6 本章小结
第四章 基于无监督深度特征迁移网络的高光谱图像分类方法
    4.1 引言
    4.2 K-means聚类方法
        4.2.1 算法原理
        4.2.2 算法流程
    4.3 无监督深度特征迁移算法
    4.4 实验结果分析
        4.4.1 数据库与实验设置
        4.4.2 实验结果展示
        4.4.3 对比实验设置与结果分析
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3064472