基于残差网络的高光谱图像分类算法研究
发布时间：2021-04-28 04:14
随着高光谱遥感成像技术的蓬勃发展,高光谱图像的大量获取促进了其被更广泛的应用。高光谱图像是由一维光谱特征和二维空间特征组合而成的三维数据立方体,其中,光谱特征包含了丰富的地物特性,而空间特征包含了详细的地物空间分布情况,而高光谱图像的分类研究是挖掘图像丰富信息的主要方法之一。传统高光谱图像分类方法不仅对空间和光谱信息的利用率不高,而且特征提取的过程中经常破坏信息之间的相关性,无法得到理想的分类结果。近年来,伴随着深度学习的持续发展,越来越多的专家学者将其应用于高光谱遥感领域,并以此为基础提出了多种高光谱图像分类模型,例如卷积神经网络、深度信念网络等。这些分类模型自动提取数据特征,减少人为的操作过程,同时也减小了特征提取过程中对信息的破坏程度,但是随着网络层数的不断加深,在特征提取过程中出现了梯度消失或梯度爆炸的现象,导致过拟合问题的产生,直接影响了分类性能。基于上述问题,本文提出了三种以残差网络（residual network,ResNet）为基础的高光谱图像分类模型,分别为借助二维卷积核（two dimensional convolution,2D）构成的二维残差网络（2D-Res...
【文章来源】：青岛科技大学山东省
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 课题研究背景与意义
1.2 高光谱图像简介
1.2.1 成像原理
1.2.2 数据特点
1.2.3 应用
1.3 高光谱图像信息挖掘
1.3.1 分类研究
1.3.2 目标检测研究
1.4 本文的研究目标及任务
1.4.1 本文的研究目标
1.4.2 本文的结构及主要任务
2 深度学习的相关理论研究
2.1 人工神经网络
2.2 深度学习的概念
2.3 深度学习的发展
2.4 深度学习的常用方法
2.5 本章小结
3 高光谱图像预处理及评价指标
3.1 高光谱图像预处理
3.1.1 数据降维的方法
3.1.2 图像归一化的操作
3.2 评价指标
3.3 本章小结
4 基于2D-RESNET的高光谱图像分类研究
4.1 Res Net概述
4.2 Res Net结构简介
4.2.1 残差单元
4.2.2 卷积层
4.2.3 批量归一化
4.2.4 激活函数
4.3 基于2D-Res Net的高光谱图像分类研究
4.4 实验
4.4.1 实验数据
4.4.2 参数设置
4.4.3 基于光谱特征信息的2D-Res Net高光谱图像分类
4.4.4 基于空间信息的2D-Res Net高光谱图像分类
4.4.5 基于融合空谱信息的2D-Res Net高光谱图像分类
4.4.6 实验结果
4.5 本章小结
5 基于3D-RESNET和虚拟样本的高光谱图像分类研究
5.1 3D-Res Net概述
5.1.1 三维卷积
5.1.2 三维残差块
5.2 基于3D-Res Net和虚拟样本的高光谱图像分类
5.2.1 虚拟样本
5.2.2 参数调节
5.3 实验验证
5.3.1 数据集描述
5.3.2 实验流程
5.3.3 参数设置
5.3.4 SVM原理概述
5.3.5 不同模型对比
5.3.6 实验结果
5.4 本章小结
6 基于宽残差网络的高光谱图像分类研究
6.1 WRN概述
6.2 基本网络结构
6.3 基于WRN的高光谱图像分类研究
6.3.1 网络结构图
6.3.2 分类过程
6.3.3 模型参数设置
6.4 实验验证
6.4.1 实验结果
6.5 本章小结
7 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]利用残差密集网络的高光谱图像分类[J]. 魏祥坡,余旭初,谭熊,刘冰. 激光与光电子学进展. 2019(15)
[2]基于残差三维卷积神经网络的高光谱遥感图像分类[J]. 丁杰,陈苏婷. 激光杂志. 2019(12)
[3]基于一种双目视觉系统的运动目标跟踪算法研究与应用[J]. 付强. 信息系统工程. 2016(03)
[4]行人检测技术研究综述[J]. 张春凤,宋加涛,王万良. 电视技术. 2014(03)
[5]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
[6]基于ORB特征的快速目标检测算法[J]. 李小红,谢成明,贾易臻,张国富. 电子测量与仪器学报. 2013(05)
[7]模糊分类在邛崃地区土地利用分类中的应用[J]. 胡运海,简季,刘琰洁. 测绘. 2011(03)
[8]基于BP神经网络的森林树种分类研究[J]. 李永亮,林辉,孙华,臧卓,王四喜. 中南林业科技大学学报. 2010(11)
[9]极端干旱区荒漠稀疏河岸林遥感分类研究[J]. 古丽·加帕尔,陈曦,马忠国,常存. 中国沙漠. 2009(06)
[10]基于改进自组织竞争神经网络的高光谱图像分类[J]. 赵春晖,刘凡. 应用科技. 2009(08)
博士论文
[1]基于稀疏低秩表示的高光谱图像特征提取与分类[D]. 潘磊.西南交通大学 2019
[2]高光谱图像的分类技术研究[D]. 何同弟.重庆大学 2014
[3]基于支持向量机的高光谱遥感影像分类研究[D]. 谭琨.中国矿业大学 2010
[4]基于光谱特性的高光谱图像压缩方法研究[D]. 陈雨时.哈尔滨工业大学 2007
硕士论文
[1]基于深度学习的高光谱图像目标检测算法研究[D]. 王聪聪.青岛科技大学 2019
[2]基于深度学习的高光谱图像分类[D]. 李诗卉.西安电子科技大学 2019
[3]基于Gabor特征的高光谱图像空谱分类研究[D]. 关倩仪.华南理工大学 2019
[4]基于深度学习的高光谱图像分类及参数设置研究[D]. 孙巧巧.青岛科技大学 2018
[5]高光谱成像系统的设计与实验研究[D]. 贾敏.电子科技大学 2018
[6]基于深度神经网络的遥感图像半监督学习方法研究[D]. 钟健.沈阳航空航天大学 2018
[7]基于卷积神经网的高光谱数据特征提取及分类技术研究[D]. 姜含露.哈尔滨工业大学 2016
[8]基本卷积神经网络的图像去噪算法研究[D]. 任静.西安电子科技大学 2015
[9]基于深度学习的图像识别算法研究[D]. 丰晓霞.太原理工大学 2015
[10]基于光学相关识别的高光谱图像目标检测算法研究[D]. 张敏睿.西安电子科技大学 2011
本文编号：3164780
【文章来源】：青岛科技大学山东省
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 课题研究背景与意义
1.2 高光谱图像简介
1.2.1 成像原理
1.2.2 数据特点
1.2.3 应用
1.3 高光谱图像信息挖掘
1.3.1 分类研究
1.3.2 目标检测研究
1.4 本文的研究目标及任务
1.4.1 本文的研究目标
1.4.2 本文的结构及主要任务
2 深度学习的相关理论研究
2.1 人工神经网络
2.2 深度学习的概念
2.3 深度学习的发展
2.4 深度学习的常用方法
2.5 本章小结
3 高光谱图像预处理及评价指标
3.1 高光谱图像预处理
3.1.1 数据降维的方法
3.1.2 图像归一化的操作
3.2 评价指标
3.3 本章小结
4 基于2D-RESNET的高光谱图像分类研究
4.1 Res Net概述
4.2 Res Net结构简介
4.2.1 残差单元
4.2.2 卷积层
4.2.3 批量归一化
4.2.4 激活函数
4.3 基于2D-Res Net的高光谱图像分类研究
4.4 实验
4.4.1 实验数据
4.4.2 参数设置
4.4.3 基于光谱特征信息的2D-Res Net高光谱图像分类
4.4.4 基于空间信息的2D-Res Net高光谱图像分类
4.4.5 基于融合空谱信息的2D-Res Net高光谱图像分类
4.4.6 实验结果
4.5 本章小结
5 基于3D-RESNET和虚拟样本的高光谱图像分类研究
5.1 3D-Res Net概述
5.1.1 三维卷积
5.1.2 三维残差块
5.2 基于3D-Res Net和虚拟样本的高光谱图像分类
5.2.1 虚拟样本
5.2.2 参数调节
5.3 实验验证
5.3.1 数据集描述
5.3.2 实验流程
5.3.3 参数设置
5.3.4 SVM原理概述
5.3.5 不同模型对比
5.3.6 实验结果
5.4 本章小结
6 基于宽残差网络的高光谱图像分类研究
6.1 WRN概述
6.2 基本网络结构
6.3 基于WRN的高光谱图像分类研究
6.3.1 网络结构图
6.3.2 分类过程
6.3.3 模型参数设置
6.4 实验验证
6.4.1 实验结果
6.5 本章小结
7 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]利用残差密集网络的高光谱图像分类[J]. 魏祥坡,余旭初,谭熊,刘冰. 激光与光电子学进展. 2019(15)
[2]基于残差三维卷积神经网络的高光谱遥感图像分类[J]. 丁杰,陈苏婷. 激光杂志. 2019(12)
[3]基于一种双目视觉系统的运动目标跟踪算法研究与应用[J]. 付强. 信息系统工程. 2016(03)
[4]行人检测技术研究综述[J]. 张春凤,宋加涛,王万良. 电视技术. 2014(03)
[5]基于支持向量机的目标检测算法综述[J]. 郭明玮,赵宇宙,项俊平,张陈斌,陈宗海. 控制与决策. 2014(02)
[6]基于ORB特征的快速目标检测算法[J]. 李小红,谢成明,贾易臻,张国富. 电子测量与仪器学报. 2013(05)
[7]模糊分类在邛崃地区土地利用分类中的应用[J]. 胡运海,简季,刘琰洁. 测绘. 2011(03)
[8]基于BP神经网络的森林树种分类研究[J]. 李永亮,林辉,孙华,臧卓,王四喜. 中南林业科技大学学报. 2010(11)
[9]极端干旱区荒漠稀疏河岸林遥感分类研究[J]. 古丽·加帕尔,陈曦,马忠国,常存. 中国沙漠. 2009(06)
[10]基于改进自组织竞争神经网络的高光谱图像分类[J]. 赵春晖,刘凡. 应用科技. 2009(08)
博士论文
[1]基于稀疏低秩表示的高光谱图像特征提取与分类[D]. 潘磊.西南交通大学 2019
[2]高光谱图像的分类技术研究[D]. 何同弟.重庆大学 2014
[3]基于支持向量机的高光谱遥感影像分类研究[D]. 谭琨.中国矿业大学 2010
[4]基于光谱特性的高光谱图像压缩方法研究[D]. 陈雨时.哈尔滨工业大学 2007
硕士论文
[1]基于深度学习的高光谱图像目标检测算法研究[D]. 王聪聪.青岛科技大学 2019
[2]基于深度学习的高光谱图像分类[D]. 李诗卉.西安电子科技大学 2019
[3]基于Gabor特征的高光谱图像空谱分类研究[D]. 关倩仪.华南理工大学 2019
[4]基于深度学习的高光谱图像分类及参数设置研究[D]. 孙巧巧.青岛科技大学 2018
[5]高光谱成像系统的设计与实验研究[D]. 贾敏.电子科技大学 2018
[6]基于深度神经网络的遥感图像半监督学习方法研究[D]. 钟健.沈阳航空航天大学 2018
[7]基于卷积神经网的高光谱数据特征提取及分类技术研究[D]. 姜含露.哈尔滨工业大学 2016
[8]基本卷积神经网络的图像去噪算法研究[D]. 任静.西安电子科技大学 2015
[9]基于深度学习的图像识别算法研究[D]. 丰晓霞.太原理工大学 2015
[10]基于光学相关识别的高光谱图像目标检测算法研究[D]. 张敏睿.西安电子科技大学 2011
本文编号：3164780
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3164780.html
