【摘要】：高光譜圖像具有數(shù)據(jù)量大和結(jié)構(gòu)復(fù)雜等特性,基于光譜特征的傳統(tǒng)算法分類(lèi)精度往往較低,而基于深度學(xué)習(xí)的分類(lèi)模型計(jì)算量較大、訓(xùn)練時(shí)間較長(zhǎng),且無(wú)法對(duì)水吸收波段進(jìn)行有效地特征提取。為了解決以上問(wèn)題,提出一種基于變維卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類(lèi)模型。構(gòu)建變維卷積神經(jīng)網(wǎng)絡(luò),使用3-D卷積核同步提取原始3-D高光譜數(shù)據(jù)的空間-光譜聯(lián)合特征,將生成的1-D特征向量融合為2-D特征矩陣,對(duì)其進(jìn)一步特征提取與分類(lèi),并在此過(guò)程中使用動(dòng)態(tài)自適應(yīng)池化、雙重優(yōu)化和自適應(yīng)增強(qiáng)等算法對(duì)其優(yōu)化,以提高特征提取的精度與模型的分類(lèi)性能。實(shí)驗(yàn)使用原始數(shù)據(jù)作為模型輸入,完成水吸收波段的特征提取,增強(qiáng)模型對(duì)水吸收波段的魯棒性。針對(duì)訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題,通過(guò)在集群環(huán)境中構(gòu)建基于GPU加速的分布式并行網(wǎng)絡(luò),提高模型的平均計(jì)算速度。通過(guò)實(shí)驗(yàn)可知,變維卷積神經(jīng)網(wǎng)絡(luò)在Indian Pines和Pavia University scene數(shù)據(jù)集上的分類(lèi)精度分別達(dá)到99.18%和99.87%,高于其他分類(lèi)算法;提取到的水吸收波段特征進(jìn)一步提高了分類(lèi)精度;并行化變維卷積神經(jīng)網(wǎng)絡(luò)大幅減少了訓(xùn)練時(shí)間。實(shí)驗(yàn)結(jié)果表明,通過(guò)在卷積神經(jīng)網(wǎng)絡(luò)中使用變維結(jié)構(gòu),可大幅降低模型的復(fù)雜度與計(jì)算量,實(shí)現(xiàn)對(duì)空間-光譜特征的充分提取,完成高光譜圖像的空譜聯(lián)合分類(lèi),并在較大程度上提高分類(lèi)精度。此外,變維卷積神經(jīng)網(wǎng)絡(luò)還對(duì)水吸收波段有較強(qiáng)的魯棒性,其并行化設(shè)計(jì)可有效提高分類(lèi)效率。
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP183;TP751
【圖文】：

圖 2.7 第 j 類(lèi)的分類(lèi)過(guò)程Figure 2.7 Classification process of the jth category得第 類(lèi)的分類(lèi)表達(dá)式為：e1( + )Nj i i jiy f w t b 函數(shù)。根據(jù) 2.4.1 節(jié)的原理描述可知，自適應(yīng)增反饋。提取到的分類(lèi)結(jié)果特征值所對(duì)應(yīng)的分類(lèi)若第 j 類(lèi)誤差為非特征誤差，則直接進(jìn)行反向傳31）可知，在誤差反饋之后的迭代分類(lèi)過(guò)程可表e e1 1+N Nj i i j i ji iy f w t b w b 4），表示為梯度下降的參數(shù)調(diào)整步長(zhǎng)。若第 類(lèi)。根據(jù)式（2.26）得到增強(qiáng)系數(shù) ，誤差反饋后

圖 3.1 高光譜圖像Figure 3.1 Hyperspectral image3.1.2 高光譜圖像分類(lèi)高光譜數(shù)據(jù)具有數(shù)據(jù)量大、信息豐富和高維多冗余等特性，因此對(duì)高光譜圖像分類(lèi)一直是學(xué)術(shù)界的研究熱點(diǎn)。高光譜圖像作為一種高維數(shù)據(jù)，對(duì)空間與光譜數(shù)據(jù)進(jìn)行降維通常是分類(lèi)中比較重要而且難以解決的問(wèn)題。由于較高的空間分辨率與光譜分辨率，在高光譜分類(lèi)過(guò)程中對(duì)空間-光譜信息的利用并不充分。為了提高高光譜圖像的分類(lèi)效果，各種分類(lèi)算法不斷被提出。以深度學(xué)習(xí)的出現(xiàn)與應(yīng)用為劃分標(biāo)準(zhǔn)，可將高光譜圖像分類(lèi)分為基于傳統(tǒng)算法的高光譜圖像分類(lèi)和基于深度學(xué)習(xí)的高光譜圖像分類(lèi)。傳統(tǒng)的高光譜圖像分類(lèi)算法可分為基于光譜特征的分類(lèi)算法和基于空間-光譜特征的分類(lèi)算法�；诠庾V特征的分類(lèi)通常對(duì)空間特征的利用較少，如 K-近鄰算法、邏輯回歸算法以及最大似然算法等。這些傳統(tǒng)算法主要解決的問(wèn)題就是數(shù)據(jù)降維，波段選擇[36]和核變換[37]算法是較常用的降維算法。經(jīng)過(guò)降維算法的發(fā)展，許多研究者證明對(duì)高光譜圖像進(jìn)行降維時(shí)使用主成分分析[38]（Principal Component Analysis, PCA）算法取得了較好的

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 曲海成;梁雪劍;劉萬(wàn)軍;籍瑞慶;;MPI和OpenMP混合并行模型下的遙感編目信息檢索[J];中國(guó)圖象圖形學(xué)報(bào);2015年11期

2 高偉;李維良;林妍;;面向高光譜影像分類(lèi)的高性能計(jì)算及存儲(chǔ)優(yōu)化[J];計(jì)算機(jī)工程與應(yīng)用;2015年16期

3 湯媛媛;周海芳;方民權(quán);申小龍;;基于GPU的高光譜遙感影像數(shù)據(jù)處理[J];信息安全與技術(shù);2015年04期

4 李萬(wàn)臣;劉康;;基于支持向量機(jī)的高光譜遙感圖像分類(lèi)[J];信息通信;2015年02期

5 李穎;;基于SVM的地面成像光譜數(shù)據(jù)田間雜草識(shí)別研究[J];遙感信息;2014年01期

6 趙少華;張峰;王橋;姚云軍;王中挺;游代安;;高光譜遙感技術(shù)在國(guó)家環(huán)保領(lǐng)域中的應(yīng)用[J];光譜學(xué)與光譜分析;2013年12期

7 王茂芝;郭科;徐文皙;;基于集群和GPU的高光譜遙感影像并行處理[J];紅外與激光工程;2013年11期

8 余凱;賈磊;陳雨強(qiáng);徐偉;;深度學(xué)習(xí)的昨天、今天和明天[J];計(jì)算機(jī)研究與發(fā)展;2013年09期

本文編號(hào)：2722062