基于混合神经网络的高光谱影像分类方法研究

发布时间：2024-04-08 23:26

　　高光谱分辨率遥感不仅记录地物目标的空间信息,也采集高维度光谱反射信息,是遥感领域研究方向之一,广泛应用于民用、军事、农业等领域。高光谱影像分类是高光谱影像处理中的基础研究方向之一,利用机器学习相关算法进行有效特征提取与分类是该领域内的主流趋势,但受其无法有效结合空谱特征信息、影像数据冗余、标签数据少等难点问题的影响,精准的高光谱影像地物目标分类仍具一定的挑战性。本文结合高光谱影像实际特性,研究改进相关深度学习算法,针对高光谱影像分类中存在的上述问题进行研究,设计混合神经网络。本文主要工作如下:首先,针对卷积神经网络无法适用于高光谱影像中高维数据的问题,提出了三维卷积混合神经网络模型。三维卷积混合神经网络对各维光谱通道特征进行加权卷积进而获取空谱特征信息,通过前馈运算迭代优化网络参数,并采用较小卷积核避免过拟合现象,加快网络训练速度,增强网络空间特征提取能力。为了有效获取光谱特征信息,该网络结合层叠自动编码器并对其进行相应改进,引用空间上下文特征提取网络实现空谱信息融合提取,从而进一步提高该网络的特征提取与分类性能。其次,上述方法在下采样过程中造成特征信息丢失,且无法有效利用浅层特征信息...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 研究现状
    1.3 本文的主要研究内容与结构安排
        1.3.1 主要研究内容
        1.3.2 结构安排
2 相关技术概述
    2.1 高光谱影像分类方法概述
    2.2 神经网络概述
        2.2.1 神经网络
        2.2.2 层叠自动编码器
        2.2.3 卷积神经网络
    2.3 实验数据
        2.3.1 Indian Pines场景高光谱影像数据集
        2.3.2 Salinas场景高光谱影像数据集
        2.3.3 Pavia Center场景高光谱影像数据集
    2.4 实验评价方法
        2.4.1 混淆矩阵
        2.4.2 总体精度与平均精度
        2.4.3 Kappa系数
    2.5 本章小结
3 基于三维卷积混合神经网络的高光谱影像分类方法
    3.1 引言
    3.2 三维加权卷积神经网络
    3.3 空间上下文空谱特征提取
    3.4 三维卷积混合神经网络模型
    3.5 实验结果与分析
        3.5.1 实验设置
        3.5.2 实验结果
        3.5.3 实验分析
    3.6 本章小结
4 基于跳跃结构的深度反卷积混合神经网络分类方法
    4.1 引言
    4.2 基于跳跃结构的深度反卷积网络
        4.2.1 波段选择层
        4.2.2 卷积和反卷积网络
        4.2.3 层级跳越架构
    4.3 基于跳跃结构的深度反卷积混合神经网络模型
    4.4 实验结果与分析
        4.4.1 实验设置
        4.4.2 实验结果
        4.4.3 实验分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3948969