基于生成对抗网络的高光谱影像小样本分类技术研究

发布时间：2022-08-23 23:12

　　高光谱遥感能够获取蕴含着丰富地表覆盖信息的高光谱影像,在国民经济建设和国防军事信息化领域都有着广阔且深远的发展潜力。具体到应用层面,高光谱影像分类任务是其应用的核心技术之一。近年来高光谱遥感系统不断提高的光谱分辨率和不断增加的成像设备量化深度使得获取的影像越来越精细,但同时也给分类任务带来诸多挑战。为解决基于深度学习的分类方法在小样本条件下容易过拟合及泛化能力差的问题,论文在波段选择的基础上重点研究了如何利用生成式对抗网络提高小样本条件下的高光谱影像分类精度。论文研究的主要内容和创新点如下:1、针对特征提取类降维方法在高光谱数据的转换过程中会破坏波段相关性甚至丢失关键判别性信息的问题,在基于最大椭球体积原理波段选择法的基础上提出一种结合正交子空间投影和信息散度的高光谱影像波段选择方法。通过改进优化最大椭球体积波段选择法,得到其快速版本并归纳出广义的波段选择目标函数,然后引入信息论中的信息散度作为衡量波段信息量度量,得到结合正交子空间投影和信息散度的波段选择算法。该算法在保留原始数据特征物理意义的基础上有效降低了原始影像的光谱维度,计算复杂度低,可在对高光谱数据进行有效降维的同时实现更好... 

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状分析
        1.2.1 高光谱影像数据降维研究现状
        1.2.2 高光谱影像分类研究现状
    1.3 目前研究存在的问题
    1.4 论文试验数据与环境
    1.5 论文研究内容及结构安排
        1.5.1 论文的研究内容
        1.5.2 章节安排
第二章 结合正交子空间投影和信息散度的波段选择方法
    2.1 高光谱影像波段选择理论基础
        2.1.1 最大椭球体积波段选择原理
        2.1.2 正交子空间投影波段选择方法
        2.1.3 信息散度度量
    2.2 基于信息散度的正交子空间投影波段选择
        2.2.1 波段选择原理与算法实现
        2.2.2 计算复杂度分析
    2.3 试验与分析
        2.3.1 Indian Pines数据集试验结果
        2.3.2 Pavia University数据集试验结果
        2.3.3 Houston数据集试验结果
    2.4 小结
第三章 基于生成对抗网络的高光谱影像分类
    3.1 GAN理论基础
        3.1.1 结合深度卷积神经网络的GAN
        3.1.2 基于Wasserstein距离的WGAN
    3.2 面向高光谱影像分类的半监督深度卷积生成对抗网络
        3.2.1 生成器网络结构
        3.2.2 判别器和分类器网络结构
        3.2.3 训练及分类
    3.3 试验与分析
        3.3.1 网络模型参数设置
        3.3.2 分类结果和对比分析
    3.4 小结
第四章 基于迁移学习的高光谱影像小样本分类
    4.1 迁移学习理论基础
        4.1.1 迁移学习简介
        4.1.2 深度迁移学习
    4.2 高光谱影像迁移学习
        4.2.1 基于预训练的高光谱影像迁移学习分类
        4.2.2 高光谱影像领域自适应
    4.3 试验与分析
        4.3.1 通用模型迁移分类试验
        4.3.2 专用模型迁移分类试验
        4.3.3 开放集域自适应分类试验
    4.4 小结
第五章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
作者简介



本文编号：3678660