基于卷积神经网络的高光谱图像解混

发布时间：2021-08-02 19:44

　　近年来,由于成像技术的发展,高光谱解混技术在越来越多的领域得到更加广泛的应用。在高光谱解混技术出现之前,高光谱图像都是采用“硬分类”的方法进行研究,这种方法将混合像元强制划分为某一类,显然是不准确的,从而产生了高光谱图像的“软分类”,即高光谱图像解混。传统的高光谱解混算法都是通过数学解析的方法求解,近几年由于深度学习迅速发展,神经网络框架广泛应用于各个领域,并且都取得良好的结果。由于高光谱解混的本质是一个函数逼近问题,而神经网络能够无限逼近任意连续函数,所以本文的研究内容主要是将神经网络应用在高光谱解混算法中,主要内容如下:1.由于高光谱解混是一个逼近问题,而神经网络可以拟合任意函数,此外高光谱图像在空间上具有相邻像元具有相似丰度的特点,因此本文提出了基于空间光谱相似性的卷积神经网络（CNN）的高光谱解混算法。对于一个高光谱像元,该算法将对应的丰度作为标签,通过卷积神经网络对丰度进行逼近来优化整个网络,提高解混的性能。该方法首先通过生成随机丰度得到对应的待解混的高光谱数据。然后对高光谱图像进行预处理,通过计算相邻像元的光谱角距离以及相对于中心像元的位置来设置相邻像元的权重。将高光谱数据... 

【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】：79 页

【学位级别】：硕士

【部分图文】：

美国Cuprite地区矿物分布图

【参考文献】：
期刊论文
[1]卷积神经网络综述[J]. 张庆辉,万晨霞.  中原工学院学报. 2017(03)
[2]基于谱聚类与类间可分性因子的高光谱波段选择[J]. 秦方普,张爱武,王书民,孟宪刚,胡少兴,孙卫东.  光谱学与光谱分析. 2015(05)
[3]运用资源三号卫星影像数据提取水体信息的方法研究[J]. 赵芳,朱丰琪,冯仲科,丁敏.  测绘通报. 2014(03)
[4]改进的OIF和SVM结合的高光谱遥感影像分类[J]. 张磊,邵振峰.  测绘科学. 2014(11)
[5]高光谱图像非线性解混方法的研究进展[J]. 唐晓燕,高昆,倪国强.  遥感技术与应用. 2013(04)
[6]基于高光谱图像技术的指纹识别研究[J]. 赵明富,夏曦,张政委,冯小平.  激光杂志. 2013(01)
[7]基于分段主成分分析与波段比的鸡胴体表面粪便污染物检测[J]. 赵进辉,吁芳,吴瑞梅,刘木华,姚明印.  激光与光电子学进展. 2011(07)
[8]一种端元变化的神经网络混合像元分解方法[J]. 吴柯,张良培,李平湘.  遥感学报. 2007(01)
[9]高光谱遥感技术的发展与应用[J]. 杨哲海,韩建峰,宫大鹏,李之歆.  海洋测绘. 2003(06)

硕士论文
[1]高光谱遥感图像降维方法研究[D]. 田野.哈尔滨工程大学 2008
[2]高光谱遥感数据最佳波段选择方法研究[D]. 杨金红.南京信息工程大学 2005



本文编号：3318161