【摘要】：高光譜遙感圖像不同于一般圖像,它是具有豐富的空間信息和光譜信息,目前在許多實際場景中已經(jīng)得到廣泛運用,而高光譜遙感圖像分類又是遙感圖像領域研究的一個很重要的部分,受到了越來越多的研究者的關注,其目的就是對圖像中的每個像元進行分類,為后續(xù)的遙感圖像研究提供地物的信息。本文主要研究基于卷積神經(jīng)網(wǎng)絡的高光譜遙感圖像分類技術,本文的工作內容主要分為以下兩部分:1)基于卷積神經(jīng)網(wǎng)絡的特征融合的分類模型:考慮到高光譜遙感圖像光譜維的一維結構和空間幾何的二維結構,本文設計了兩種卷積神經(jīng)網(wǎng)絡模型來分別提取像元的光譜信息和空間信息,這里提取的光譜信息是圖像的原始光譜維作為第一個卷積神經(jīng)網(wǎng)絡模型(spe-CNN)的輸入得到的,而提取的空間信息是對原始光譜進行降維后取每個像元的一定大小鄰域構成的圖像塊作為第二個卷積神經(jīng)網(wǎng)絡模型(spa-CNN)的輸入得到的,然后將提取出來的兩種特征進行融合(本文使用的是串行拼接方法)后作為像元的最終特征以彌補兩個特征在光譜或者空間信息上的不足,使用經(jīng)典的支持向量機作為最終的分類器,本文稱這個分類模型為CNN_2-SVM,融合后的分類精度能夠在單模型spe-CNN或者spa-CNN的基礎上得到提升,但是后來發(fā)現(xiàn)基于spe-CNN單模型得到分類精度較低(直觀上認為它提取的特征不夠好),考慮到圖像光譜維存在噪聲,本文使用保邊去噪方法先對原始圖像進行去噪預處理,實驗證明預處理后的方法(PR~*-CNN_2-SVM)又能在CNN_2-SVM的基礎上提高分類精度。2)基于端到端的卷積神經(jīng)網(wǎng)絡結合后處理的分類模型:由于CNN_2-SVM將特征提取和分類分成了兩步,分類過程較為繁瑣,為了進一步簡化分類結構,本文將SVM替換成softmax,使之能夠實現(xiàn)端到端的訓練,本文稱之為CNNs,因為PR~*在PR~*-CNN_2-SVM分類方法中證明了去噪預處理的有效性,因此本方法同樣考慮了它,由于softmax作為一層神經(jīng)元置于在網(wǎng)絡末尾,使得參數(shù)增加,所以在實驗過程中發(fā)現(xiàn)訓練準確率相對測試準確率偏高,出現(xiàn)了過擬合現(xiàn)象,針對此現(xiàn)象,本文又提出了一種加權均值濾波的后處理方法來應對這個現(xiàn)象,實驗證明PR~*-CNNs結合后處理的方法(PR~*-CNNs-post)能夠在充足樣本下取得跟PR*-CNN2-SVM相當?shù)姆诸惥?而在少樣本條件下得到比PR*-CNN2-SVM更高的分類精度。
【學位授予單位】：華僑大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP751;TP183
【圖文】：

圖 1.1 高光譜遙感圖像了反映地物物理特性的光譜信息到了全世界越來越多的關注，高了其在空間上的幾何結構以及與光譜圖像提供了豐富的地物信息在軍事方面，高光譜圖像具有識、障礙物識別[1, 2]；環(huán)境方面，被化預測以及城市區(qū)域制圖[3, 4]；農(nóng)；氣象方面，對云、水蒸氣和氣溶光譜和空間信息，在許多領域已高光譜遙感圖像領域研究的基礎的工作提供基礎。高光譜遙感圖像分類研究也取得距離應對實際場景的需求還有很

24 個波長在-60.4 -2.5× 10米的光譜反射波段組成，去除掉一些水吸收，剩余 200 個波段作為最終的像元的光譜信息，因此該數(shù)據(jù)集在接中實際大小為 145 × 145×220，它包含了 16 種類別；第二個數(shù)據(jù)集 versity 如圖 1.2（b）所示，是由光學系統(tǒng)成像光譜儀采集于意大利的的實際大小為 610 × 340×103，它包含了 9 種類別。對于圖像中不同的地物類別，我們用不同的顏色加以區(qū)分。

【相似文獻】

相關期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術動態(tài);1996年01期

4 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數(shù)字技術與應用;2018年04期

5 張庭略;;基于硬件的神經(jīng)網(wǎng)絡加速[J];通訊世界;2018年08期

6 蘇秀婷;;耦合神經(jīng)網(wǎng)絡的同步[J];紹興文理學院學報(自然科學);2016年03期

7 朱n

本文編號：2719865