基于多尺度空谱融合网络的高光谱图像分类
发布时间：2022-10-11 14:48
近年来,高光谱成像技术的影响力以及快速发展,不仅引起了遥感界的极大兴趣,同时也得到了军事、农业、环境科学、医学等其它领域高度重视。其中,高光谱图像特征提取与分类是最活跃的话题之一。鉴于高光谱数据高分辨谱特征对物体的识别能力、“图谱合一”等优势,以及各种因素引起的非线性、“同物异谱,同谱异物”等缺陷,结合空谱信息提取具有判别性以及表示能力的高光谱图像特征,将强有力地推动高光谱成像技术在各大研究领域的应用发展。本文通过对高光谱数据的深入分析,以及在总结现有高光谱图像特征提取与分类方法的基础上,针对判别性空谱特征提取与精确目标识别展开研究。主要的研究内容概括如下:1)考虑结合局部以及全局信息提取空间特征,本文利用迁移学习以及联合稀疏表示方法,提出一种基于深度多尺度特征的多任务联合稀疏表示学习方法对高光谱图像进行分类。该方法通过迁移VGG-16网络中所有卷积模块的滤波器参数,提取高光谱图像在不同尺度下的局部空间信息以及全局语义特征。从可视化特征显示,随着尺度加深,特征的可分性显著增强,但类内聚集性也逐渐变差。因此,结合各尺度特征的利弊,本文构造不同字典下的多任务联合稀疏表示学习,得到最终的高光...
【文章页数】：135 页
【学位级别】：博士
【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 研究背景与意义
1.2 国内外研究现状
1.2.1 高光谱数据特性及挑战
1.2.2 研究现状及存在问题
1.3 论文研究内容及章节安排
第二章 基于深度多尺度特征联合稀疏表示学习的高光谱分类
2.1 引言
2.2 深度卷积网络迁移及特征分析
2.2.1 VGG-16 网络结构
2.2.2 迁移学习
2.2.3 基于迁移学习的HSI特征提取及分析
2.3 基于多任务联合稀疏表示学习的多特征融合分类
2.3.1 联合稀疏表示
2.3.2 深度多尺度特征联合稀疏表示分类
2.4 实验与分析
2.4.1 数据及评估方法介绍
2.4.2 参数分析及设置
2.4.3 分类结果的数值及可视化分析
2.4.4 样本数量对分类结果的影响
2.4.5 时间复杂度分析
2.5 本章小结
第三章 基于全卷积网络空间分布预测的高光谱图像分类
3.1 引言
3.2 全卷积网络(FCN)结构简介
3.3 基于全卷积网络的空间分布预测及空谱特征融合分类
3.3.1 基于FCN-8s的 HSI空间分布预测
3.3.2 空谱特征融合分类
3.4 实验与分析
3.4.1 实验及参数设置
3.4.2 分类结果的数值及可视化分析
3.4.3 样本数量对分类结果的影响
3.4.4 特征可视化评估
3.4.5 空谱特征融合结果分析
3.4.6 时间复杂度分析
3.5 本章小结
第四章 基于多任务协同稀疏自编码器的多尺度空谱特征融合
4.1 引言
4.2 稀疏自编码器
4.3 基于DMS3F2 的高光谱图像特征提取.
4.3.1 基于MCSAE的深度空谱特征融合
4.3.2 多尺度特征融合
4.4 实验与分析
4.4.1 数据及评估方法介绍
4.4.2 参数分析及设置
4.4.3 DMS3F2方法的分步评估
4.4.4 实验结果对比分析
4.5 本章小结
第五章 基于超像素关系自编码器的空谱特征融合
5.1 引言
5.2 图正则自编码
5.3 基于超像素的关系自编码
5.3.1 模型建立
5.3.2 模型优化
5.4 多尺度空谱特征融合
5.5 实验与分析
5.5.1 参数分析与设置
5.5.2 MS-RCSAE方法的分布评估
5.5.3 分类结果的数值及可视化分析
5.6 本章小结
第六章 总结及展望
6.1 研究工作总结
6.2 未来工作展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]40年的跨越—中国航天遥感蓬勃发展中的“三大战役”[J]. 顾行发,余涛,田国良,周上益,魏成阶,李娟,余琦,刘东晖,卫征,孟庆岩,徐辉,郭红,周翔,王春梅,臧文乾,黄祥志,高海亮,郑逢杰,刘苗,王栋,赵亚萌,魏香琴,孙源,李斌,廖戬,任芯雨. 遥感学报. 2016(05)
本文编号：3690765
【文章页数】：135 页
【学位级别】：博士
【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 研究背景与意义
1.2 国内外研究现状
1.2.1 高光谱数据特性及挑战
1.2.2 研究现状及存在问题
1.3 论文研究内容及章节安排
第二章 基于深度多尺度特征联合稀疏表示学习的高光谱分类
2.1 引言
2.2 深度卷积网络迁移及特征分析
2.2.1 VGG-16 网络结构
2.2.2 迁移学习
2.2.3 基于迁移学习的HSI特征提取及分析
2.3 基于多任务联合稀疏表示学习的多特征融合分类
2.3.1 联合稀疏表示
2.3.2 深度多尺度特征联合稀疏表示分类
2.4 实验与分析
2.4.1 数据及评估方法介绍
2.4.2 参数分析及设置
2.4.3 分类结果的数值及可视化分析
2.4.4 样本数量对分类结果的影响
2.4.5 时间复杂度分析
2.5 本章小结
第三章 基于全卷积网络空间分布预测的高光谱图像分类
3.1 引言
3.2 全卷积网络(FCN)结构简介
3.3 基于全卷积网络的空间分布预测及空谱特征融合分类
3.3.1 基于FCN-8s的 HSI空间分布预测
3.3.2 空谱特征融合分类
3.4 实验与分析
3.4.1 实验及参数设置
3.4.2 分类结果的数值及可视化分析
3.4.3 样本数量对分类结果的影响
3.4.4 特征可视化评估
3.4.5 空谱特征融合结果分析
3.4.6 时间复杂度分析
3.5 本章小结
第四章 基于多任务协同稀疏自编码器的多尺度空谱特征融合
4.1 引言
4.2 稀疏自编码器
4.3 基于DMS3F2 的高光谱图像特征提取.
4.3.1 基于MCSAE的深度空谱特征融合
4.3.2 多尺度特征融合
4.4 实验与分析
4.4.1 数据及评估方法介绍
4.4.2 参数分析及设置
4.4.3 DMS3F2方法的分步评估
4.4.4 实验结果对比分析
4.5 本章小结
第五章 基于超像素关系自编码器的空谱特征融合
5.1 引言
5.2 图正则自编码
5.3 基于超像素的关系自编码
5.3.1 模型建立
5.3.2 模型优化
5.4 多尺度空谱特征融合
5.5 实验与分析
5.5.1 参数分析与设置
5.5.2 MS-RCSAE方法的分布评估
5.5.3 分类结果的数值及可视化分析
5.6 本章小结
第六章 总结及展望
6.1 研究工作总结
6.2 未来工作展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]40年的跨越—中国航天遥感蓬勃发展中的“三大战役”[J]. 顾行发,余涛,田国良,周上益,魏成阶,李娟,余琦,刘东晖,卫征,孟庆岩,徐辉,郭红,周翔,王春梅,臧文乾,黄祥志,高海亮,郑逢杰,刘苗,王栋,赵亚萌,魏香琴,孙源,李斌,廖戬,任芯雨. 遥感学报. 2016(05)
本文编号：3690765
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3690765.html
