基于多尺度多场景迁移学习的高光谱图像分类算法研究
发布时间：2021-03-23 18:24
高光谱遥感具有更高的光谱分辨率,使得人们对地物属性特征的认知不断深入,而分类技术作为高光谱遥感的一项重要内容,在很大程度上决定着后续专题图的制作与应用,然而高光谱图像丰富的空谱信息与标记样本缺乏的矛盾严重地制约了高光谱图像分类技术的发展。因此,本论文从高光谱图像特性出发,针对空谱信息的有效提取以及样本在多场景中的适应性等问题进行了分析研究。为了实现空谱信息的有效提取,论文首先研究了多尺度空谱特征的提取方法,通过改进联合双边边缘保持滤波器提出了自适应双边滤波器。该方法实现了多尺度空间特征的提取,同时避免了联合双边边缘保持滤波器复杂的调参问题且改善了分类效果。此外,针对像素级分类结果图上容易产生的“椒盐噪声”问题,引入了基于概率结果图的后处理方法,通过加强像素点之间的相关性,提高了分类结果图空间区域上的连续性,实现了分类精度的进一步提升。针对复杂场景中的空谱特征提取和样本不足的问题,论文以深度学习理论为基础,提出了多尺度空谱联合双分支网络（Multiscale Spectral-Spatial Unified Network,MSSN）,借助于深度网络更强的特征提取能力,有效地增强了在复杂...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
概率结果图
2.2.2 自适应高斯加权滤波器在基于概率结果图的后处理方法中，平滑滤波器的选择是相当关键的。为了避免过多的参数选择工作，减少后处理步骤的冗余，提高后处理步骤的效率，在本章中采用自适应高斯加权滤波器(Adaptive Gaussian Weight Filter,AGWF)作为本算法的平滑滤波器，该滤波器的定义如式(2-8)所示：( )( )1( ) ( , )( )( ) ( , )j rj ri jx N ix N iO x i j IW iW i i jωω∈∈==∑∑(2-8)其中，22( , ) exp( / 2 )i jω i j = I Iσ是 Ij关于输出的权重，x 和 I 分别为输出和输入的引导图像，引导图像的作用主要是用于提供空间信息，W(i)是归一化因子，21 / ( ), { , ( )}j i j j rσ =st d d d =d =I I I ∈ N i。2.2.3 算法整体流程本章算法的整体流程框图如图 2-2 所示：
哈尔滨工业大学工程硕士学位论文表明了SA算法所选择出来的20维特征具有比较好的代表性，也证明了SA算法是一种有效的特征选择算法。表2-7分别展示了两组数据集在分类过程中所耗费的时间，从时间对比中可以看出，利用SA特征提取算法能够减少样本特征数，使得分类的时间大幅减少，同时，分类精度又没有显著性的降低，因此，该方法有效地缓解了“维数灾难”现象带来的影响，且提高了分类效率。2.3.3 基于自适应滤波器的多尺度空间特征提取本文提出的自适应边缘保持滤波器是在联合双边边缘保持滤波器的基础上引入自适应策略获得的。联合双边边缘保持滤波器在不同参数(两个高斯滤波器的参数 s 和 r)选择下对 Indian Pines 数据集滤波效果如图 2-5 所示。
【参考文献】：
期刊论文
[1]基于栈式自编码神经网络对高光谱遥感图像分类研究[J]. 张国东,周浩,方淇,张露,杨峻. 红外技术. 2019(05)
[2]利用多属性剖面概率融合的高光谱影像分类[J]. 陈军丽,黄睿. 遥感信息. 2019(02)
[3]航天高光谱遥感应用研究进展(特邀)[J]. 李盛阳,刘志文,刘康,赵子飞. 红外与激光工程. 2019(03)
[4]面向高光谱影像分类的多特征流形鉴别嵌入[J]. 黄鸿,李政英,石光耀,潘银松. 光学精密工程. 2019(03)
[5]高光谱与LiDAR数据融合研究——以黑河中游张掖绿洲农业区精细作物分类为例[J]. 杨思睿,薛朝辉,张玲,苏红军,周绍光. 国土资源遥感. 2018(04)
[6]深度迁移学习在高光谱图像分类中的运用[J]. 王立伟,李吉明,周国民,杨东勇. 计算机工程与应用. 2019(05)
[7]基于DBN的机载高光谱影像分类[J]. 刘亚静,赵自雨,刘佳丽. 测绘与空间地理信息. 2018(07)
[8]高光谱影像的引导滤波多尺度特征提取[J]. 王雷光,曹小汪,郑雅兰,代沁伶. 遥感学报. 2018(02)
[9]变异系数降维的CNN高光谱遥感图像分类[J]. 张康,黑保琴,周壮,李盛阳. 遥感学报. 2018(01)
[10]深度学习在高光谱图像分类领域的研究现状与展望[J]. 张号逵,李映,姜晔楠. 自动化学报. 2018(06)
本文编号：3096222
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
概率结果图
2.2.2 自适应高斯加权滤波器在基于概率结果图的后处理方法中，平滑滤波器的选择是相当关键的。为了避免过多的参数选择工作，减少后处理步骤的冗余，提高后处理步骤的效率，在本章中采用自适应高斯加权滤波器(Adaptive Gaussian Weight Filter,AGWF)作为本算法的平滑滤波器，该滤波器的定义如式(2-8)所示：( )( )1( ) ( , )( )( ) ( , )j rj ri jx N ix N iO x i j IW iW i i jωω∈∈==∑∑(2-8)其中，22( , ) exp( / 2 )i jω i j = I Iσ是 Ij关于输出的权重，x 和 I 分别为输出和输入的引导图像，引导图像的作用主要是用于提供空间信息，W(i)是归一化因子，21 / ( ), { , ( )}j i j j rσ =st d d d =d =I I I ∈ N i。2.2.3 算法整体流程本章算法的整体流程框图如图 2-2 所示：
哈尔滨工业大学工程硕士学位论文表明了SA算法所选择出来的20维特征具有比较好的代表性，也证明了SA算法是一种有效的特征选择算法。表2-7分别展示了两组数据集在分类过程中所耗费的时间，从时间对比中可以看出，利用SA特征提取算法能够减少样本特征数，使得分类的时间大幅减少，同时，分类精度又没有显著性的降低，因此，该方法有效地缓解了“维数灾难”现象带来的影响，且提高了分类效率。2.3.3 基于自适应滤波器的多尺度空间特征提取本文提出的自适应边缘保持滤波器是在联合双边边缘保持滤波器的基础上引入自适应策略获得的。联合双边边缘保持滤波器在不同参数(两个高斯滤波器的参数 s 和 r)选择下对 Indian Pines 数据集滤波效果如图 2-5 所示。
【参考文献】：
期刊论文
[1]基于栈式自编码神经网络对高光谱遥感图像分类研究[J]. 张国东,周浩,方淇,张露,杨峻. 红外技术. 2019(05)
[2]利用多属性剖面概率融合的高光谱影像分类[J]. 陈军丽,黄睿. 遥感信息. 2019(02)
[3]航天高光谱遥感应用研究进展(特邀)[J]. 李盛阳,刘志文,刘康,赵子飞. 红外与激光工程. 2019(03)
[4]面向高光谱影像分类的多特征流形鉴别嵌入[J]. 黄鸿,李政英,石光耀,潘银松. 光学精密工程. 2019(03)
[5]高光谱与LiDAR数据融合研究——以黑河中游张掖绿洲农业区精细作物分类为例[J]. 杨思睿,薛朝辉,张玲,苏红军,周绍光. 国土资源遥感. 2018(04)
[6]深度迁移学习在高光谱图像分类中的运用[J]. 王立伟,李吉明,周国民,杨东勇. 计算机工程与应用. 2019(05)
[7]基于DBN的机载高光谱影像分类[J]. 刘亚静,赵自雨,刘佳丽. 测绘与空间地理信息. 2018(07)
[8]高光谱影像的引导滤波多尺度特征提取[J]. 王雷光,曹小汪,郑雅兰,代沁伶. 遥感学报. 2018(02)
[9]变异系数降维的CNN高光谱遥感图像分类[J]. 张康,黑保琴,周壮,李盛阳. 遥感学报. 2018(01)
[10]深度学习在高光谱图像分类领域的研究现状与展望[J]. 张号逵,李映,姜晔楠. 自动化学报. 2018(06)
本文编号：3096222
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3096222.html
