基于深度度量学习和前向传播的高光谱图像分类

发布时间：2021-11-17 16:21

　　在众多的高光谱图像研究领域当中,高光谱图像分类（Hyperspectral Image Classification）是其中的一个相对比较重要的研究学科。高光谱图像分类的主要目的是对某一高光谱图像中感兴趣的地物类别进行准确且高效的划分。随着当前遥感技术的进步,高光谱图像分类在现实的技术生产生活中得到了广泛的应用。例如我们通常所熟知的土地资源调查、自然灾害的探查以及医疗卫生领域等。这一广泛应用的基础是人类能够更加容易的获取到光谱分辨率达到纳米级别的高光谱图像。当然,随着遥感技术和光谱分辨率的进一步提高,人类对与实际应用场景下的特定地物类别的分类要求也变得越来越高。但是由于高光谱图像自身存在的一些缺点,例如丰富的光谱信息造成的数据样本高维度以及获取的大量数据样本并没有得到很好的数据标定造成可用标记样本有限等问题,使得目前在该领域的地物分类研究当中仍旧面临着不少挑战。随着近几年深度学习算法的兴起,越来越多的相应算法也被在该领域研究使用。虽然深度学习在机器视觉领域取得了长足的发展,但是直接应用在高光谱图像领域也还是存在一些问题。例如,没有足够的训练样本使得模型很容易变得过拟合,参数调参繁琐等。... 

【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】：76 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 研究的背景和意义
    1.2 高光谱图像数据的特点
    1.3 高光谱图像分类技术
    1.4 论文主要内容及结构安排
第二章 基于深度度量学习的高光谱图像分类
    2.1 深度学习的介绍
    2.2 度量学习的介绍
        2.2.1 度量学习的定义
        2.2.2 度量学习的分类
    2.3 基于深度度量学习的高光谱图像分类
    2.4 实验结果和分析
        2.4.1 实验数据介绍
        2.4.2 分类结果分析
        2.4.3 实验参数分析
    2.5 本章小结
第三章 基于多尺度深度极限学习机的高光谱图像分类
    3.1 极限学习机
        3.1.1 单隐含层的前馈型神经网络
        3.1.2 极限学习机
    3.2 多尺度深度极限学习机的高光谱图像分类
        3.2.1 模型的训练阶段
        3.2.2 模型的测试阶段
    3.3 实验结果和分析
        3.3.1 实验数据说明
        3.3.2 高光谱图像分类实验
        3.3.3 实验参数分析
    3.4 本章小结
第四章 基于随机卷积的U型网络的高光谱图像分类
    4.1 随机投影
    4.2 基于随机卷积的U型网络的高光谱图像分类
    4.3 实验结果和分析
        4.3.1 数据集介绍
        4.3.2 实验结果分析
    4.4 本章小结
第五章 总结与展望
    5.1 论文的主要工作内容总结
    5.2 接下来的工作
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]环境污染监测中的植物光谱效应研究[J]. 迟光宇,刘新会,刘素红,杨志峰.  环境科学与技术. 2005(S1)
[2]农业高光谱遥感研究的现状与发展趋势[J]. 唐延林,黄敬峰.  遥感技术与应用. 2001(04)

博士论文
[1]高光谱遥感影像稀疏图嵌入分类研究[D]. 薛朝辉.南京大学 2015
[2]基于PLS模型的农业土壤成分高光谱遥感反演研究[D]. 张婷婷.吉林大学 2010
[3]遥感影像的高光谱特征研究[D]. 储美华.山东科技大学 2007

硕士论文
[1]高光谱遥感场景成像模型研究[D]. 陈东来.哈尔滨工业大学 2009
[2]基于高分辨率遥感影像的城市环境结构信息提取研究[D]. 张春鹏.华东师范大学 2007



本文编号：3501272