本文選題：圖像處理 + 高光譜圖像分類　； 參考：《激光與光電子學(xué)進(jìn)展》2017年10期

【摘要】：由于高光譜遙感數(shù)據(jù)具有波段多、特征非線性、空間相關(guān)等特點,提出一種基于深度學(xué)習(xí)的空-譜聯(lián)合(SSDL)特征提取算法來有效提取數(shù)據(jù)中的空-譜特征。該算法利用多層深度學(xué)習(xí)模型——堆棧自動編碼機(jī)對高光譜數(shù)據(jù)進(jìn)行逐層學(xué)習(xí),挖掘圖像中的深層非線性特征,然后再根據(jù)每個特征像元的空間近鄰信息,對樣本深度特征和空間信息進(jìn)行空-譜聯(lián)合,增加同類數(shù)據(jù)聚集性和非同類數(shù)據(jù)分散度,提升后續(xù)分類性能。在帕維亞大學(xué)和薩利納斯山谷高光譜數(shù)據(jù)集上進(jìn)行地物分類實驗:在1%樣本比例下,地物總體分類精度達(dá)到了91.05%和94.16%;在5%樣本比例下,地物總體分類精度達(dá)到了97.38%和97.50%。結(jié)果表明:由于SSDL特征提取算法融合了數(shù)據(jù)中深層非線性特征和空間信息,能夠提取出更具鑒別特性的特征,較其他同類算法能夠獲取更高分類精度。
[Abstract]:Because hyperspectral remote sensing data have many characteristics, such as multi-band, nonlinear features and spatial correlation, a space-spectrum combined with SSDL feature extraction algorithm based on depth learning is proposed to extract space-spectrum features from the data effectively. The algorithm uses a multi-layer depth learning model-stack automatic coding machine to study hyperspectral data layer by layer, mining the deep nonlinear features in the image, and then according to the spatial nearest neighbor information of each feature pixel. The spatial spectral combination of the depth features and spatial information of the samples can increase the aggregation of similar data and the dispersion of non-similar data, and improve the performance of subsequent classification. Based on the hyperspectral data sets of Pavia University and Salinas Valley, the classification accuracy of ground objects is 91.05% and 94.16%, and 97.38% and 97.50% respectively. The results show that the SSDL feature extraction algorithm can extract more discriminant features because of the fusion of the deep nonlinear features and spatial information in the data, and can obtain higher classification accuracy than other similar algorithms.
【作者單位】： 重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點實驗室;
【基金】：國家自然科學(xué)基金(41371338) 重慶市研究生科研創(chuàng)新項目(CYS16040) 重慶市基礎(chǔ)與前沿研究計劃(cstc2013jcyjA40005)
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳翠華;王菲;;一種被動聲納目標(biāo)識別特征提取方法的研究[J];荊門職業(yè)技術(shù)學(xué)院學(xué)報;2007年09期

2 王奇;王英民;諸國磊;;基于特征提取的匹配場處理[J];火力與指揮控制;2014年05期

3 安如,馮學(xué)智,王慧麟;基于數(shù)學(xué)形態(tài)學(xué)的道路遙感影像特征提取及網(wǎng)絡(luò)分析[J];中國圖象圖形學(xué)報;2003年07期

4 柯映林,李岸,王軍文;過渡特征提取中的概率統(tǒng)計理論和方法[J];機(jī)械工程學(xué)報;2003年06期

5 劉正軍,王長耀,張繼賢;基于小波與遺傳算法的特征提取與特征選擇(英文)[J];遙感學(xué)報;2005年02期

6 谷延鋒,張曄;基于自動子空間劃分的高光譜數(shù)據(jù)特征提取[J];遙感技術(shù)與應(yīng)用;2003年06期

7 劉旭,夏金東,吳淼;超聲檢測缺陷分類的降噪及特征提取問題研究[J];中國礦業(yè)大學(xué)學(xué)報;2001年03期

8 李訓(xùn)誥;周利輝;;基于多分辨分析的艦船噪聲能量特征提取方法[J];火力與指揮控制;2009年S1期

9 婁建武,龍源;爆破震動信號的特征提取及識別技術(shù)研究[J];振動與沖擊;2003年03期

10 陳雨時;張曄;張鈞萍;;基于線性模型最優(yōu)預(yù)測的高光譜圖像壓縮[J];南京航空航天大學(xué)學(xué)報;2007年03期

相關(guān)會議論文 前10條

1 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機(jī)械工程學(xué)會年會論文集[C];2005年

2 劉德剛;邵國凡;;高維遙感數(shù)據(jù)分析的特征提取方法[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學(xué)術(shù)年會文集[C];2000年

3 楊西林;王炳和;;水下運動目標(biāo)譜特征提取與增強(qiáng)技術(shù)綜述[A];2007’促進(jìn)西部發(fā)展聲學(xué)學(xué)術(shù)交流會論文集[C];2007年

4 王磊;彭圓;蔣行海;牟林;;關(guān)聯(lián)維特征提取與應(yīng)用研究[A];泛在信息社會中的聲學(xué)——中國聲學(xué)學(xué)會2010年全國會員代表大會暨學(xué)術(shù)會議論文集[C];2010年

5 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

6 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

7 孫蕾;羅建書;;基于分類預(yù)測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

8 劉兵;孫超;楊益新;柳革命;;被動聲納目標(biāo)臨界頻帶頻譜能量的特征提取[A];2009年全國水聲學(xué)學(xué)術(shù)交流暨水聲學(xué)分會換屆改選會議論文集[C];2009年

9 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

相關(guān)重要報紙文章 前1條

1 池天河;遙感技術(shù)：有力支撐空間計算[N];計算機(jī)世界;2006年

相關(guān)博士學(xué)位論文 前10條

1 楊京輝;基于稀疏表達(dá)及空間信息的高光譜圖像分類方法研究[D];哈爾濱工程大學(xué);2016年

2 劉正軍;高維遙感數(shù)據(jù)土地覆蓋特征提取與分類研究[D];中國科學(xué)院研究生院（遙感應(yīng)用研究所）;2003年

3 郝思媛;空譜協(xié)作的高光譜圖像分類方法研究[D];哈爾濱工程大學(xué);2015年

4 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

5 賀智;改進(jìn)的經(jīng)驗?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

6 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學(xué);2015年

7 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學(xué);2014年

8 曲海成;面向光譜解混的高光譜圖像快速處理技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

9 王忠良;基于線性混合模型的高光譜圖像壓縮感知研究[D];西北工業(yè)大學(xué);2015年

10 賀霖;高光譜圖像自動目標(biāo)檢測技術(shù)研究[D];西北工業(yè)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 馮斌;衛(wèi)星遙感圖像地標(biāo)特征提取與匹配研究[D];國防科學(xué)技術(shù)大學(xué);2015年

2 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

3 程凱;無先驗信息的高光譜圖像小目標(biāo)檢測算法研究[D];蘇州大學(xué);2015年

4 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

5 霍瑩;高光譜CCD機(jī)載相機(jī)檢測設(shè)備研制[D];長春理工大學(xué);2015年

6 王磊;基于張量的高光譜遙感圖像壓縮研究[D];復(fù)旦大學(xué);2014年

7 鄔文慧;空譜聯(lián)合高光譜遙感圖像半監(jiān)督分類[D];西安電子科技大學(xué);2014年

8 王依萍;基于主動學(xué)習(xí)的高光譜圖像分類方法研究[D];西安電子科技大學(xué);2014年

9 劉嘉慧;基于稀疏表示的高光譜圖像分類和解混方法研究[D];西安電子科技大學(xué);2014年

10 王U喺，

本文編號：2023877