基于空间信息与网络学习的高光谱影像分类

发布时间：2023-08-25 20:47

　　由于高光谱影像含有丰富的地物光谱曲线,使其成为监测地球环境动态变化,遥感定量反演等有效的工具,对其进行解析处理的方式越来越受到人们的关注。尽管高光谱影像丰富的波段信息有利于地物的分类,但是太多的光谱维度以及冗余信息给处理分析影像的算法带来困难,并且高光谱影像中的有标记样本稀缺,如何从数据的特点出发,采用高效的特征提取方法,提供具有判别性的信息一直是关键问题。包含多层的网络学习方法可以分层级的对未经标记的数据进行特征描述,提取其中各种隐含的特征,形成更加完整的抽象语义表示,比传统,浅层的方法拥有更好的分类性能。为此,本文基于多层网络学习模型,提取影像潜在的多层级特征,结合空间特征提取方法的优势,研究更为高效的分类算法。主要研究内容如下:(1)提出一种基于Squeeze-and-Excitation聚合残差网络的高光谱影像分类方法,该方法设计的网络模型结合了聚合残差网络的深层可扩展结构以及Squeeze-and-Excitation模块对特征通道的重标定策略,可以有效地学习高光谱影像中空间上下文信息,选择性的加强具有重要信息量的特征,提取深层次抽象语义特征,从而得到更好的分类结果。(2)提...

【文章页数】：84 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 研究背景与意义
    1.2 国内外研究现状
    1.3 本文的主要研究内容
第二章 高光谱影像分类研究
    2.1 引言
    2.2 网络学习模型
        2.2.1 极限学习机
        2.2.2 自编码网络
        2.2.3 卷积神经网络
    2.3 实验数据集
    2.4 高光谱影像分类方法的性能指标
    2.5 本章小结
第三章 基于Squeeze-and-Excitation聚合残差网络的高光谱影像分类
    3.1 深度神经网络的聚合残差变换
        3.1.1 残差学习
        3.1.2 恒等映射
        3.1.3 聚合残差变换
    3.2 Squeeze-and-Excitation模块
        3.2.1 Squeeze:全局信息嵌入
        3.2.2 Excitation:自适应重新校正
    3.3 Squeeze-and-Excitation聚合残差网络
    3.4 基于Squeeze-and-Excitation聚合残差网络的高光谱影像分类
    3.5 实验结果与分析
        3.5.1 实验参数设置
        3.5.2 实验结果与分析
    3.6 本章小结
第四章 基于集成多层极限学习机和主动学习的高光谱影像分类
    4.1 多层极限学习机
    4.2 集成学习
    4.3 主动学习
    4.4 基于集成多层极限学习机和主动学习的高光谱影像分类
    4.5 实验结果与分析
        4.5.1 实验参数设置
        4.5.2 实验结果与分析
    4.6 本章小结
第五章 基于边缘保持滤波和深度网络的高光谱影像分类
    5.1 栈式自编码
    5.2 基于栈式自编码的分类模型
        5.2.1 基于光谱信息的栈式自编码分类模型
        5.2.2 基于空间信息的栈式自编码分类模型
        5.2.3 结合空谱信息的栈式自编码分类模型
    5.3 基于边缘保持滤波和深度网络的高光谱影像分类
    5.4 实验结果与分析
        5.4.1 实验参数设置
        5.4.2 实验结果与分析
    5.5 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 展望
参考文献
致谢
作者简介



本文编号：3843282