基于深度神经网络的空谱联合高光谱图像分类

发布时间：2022-01-23 14:57

　　图像分类是高光谱遥感中一个最热门的领域。尤其是高光谱图像的分类技术已经在民用和军事等领域内实现了很大的进展,应用变得十分广泛。最近几年,由于高光谱的成像技术和成像光谱仪的飞速发展,高光谱图像的光谱分辨率与空间分辨率也得到了进一步提高。由于提高了光谱分辨率,我们可以得到对地遥感充足的信息,然而同时却给接下来的图像处理带来了新的压力和巨大挑战。如何从波段数目众多的高光谱图像中捕捉需要的有效信息,进而实现精准的分类,这仍然是一个迫切需要解决的研究问题。本文针对高光谱图像本身的特点,利用基于深度学习的神经网络模型,提取原始高光谱图像的非线性特征,这种特征具有高度的辨别力,从而实现了对高光谱图像更加精准的分类。本文主要研究了两种基于深度学习的模型:堆栈自编码器和卷积神经网络。本文完成的工作和成果主要包括以下几个方面:首先,这篇论文详细地阐述了高光谱图像的理论基础。分析介绍了高光谱图像的本身数据特点,以及国内外现有的一些高光谱图像的分类方法。其次,学习研究了深度学习的两种网络模型。我们主要介绍了深度堆栈自编码器网络和卷积神经网络的模型结构,详细地介绍了卷积和池化操作的概念,以及局部感受野与参数共享... 

【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】：95 页

【学位级别】：硕士

【部分图文】：

图１．?１高光谱遥感图像??２??

基本的自编码器（ＡＵｔ〇ｅｎｃ〇ｄｅｒ，ＡＥ）主要目标是通过最小化重构误差学习输入数??据的特征表示［３（）］。它的实质是重构了原始输入数据。自编码器的基本结构包括一个编??码器与一个解码器，如图２．１所示。它是一个包含三层的神经网络：输入层、隐藏层??与输出层，其中输入层与输入层具有相同的维度。??甫建的输入???ｖ?＇??广、厂＇．．．广、??ｗ?＾??．?＇Ｊ?Ｕ?Ｕ?匕，、―，??输入数据??图２．１自编码器基本模型??９??

图４＊４?特征


本文编号：3604588