【摘要】：高光譜成像技術(shù)在過去的四十年中已經(jīng)從一個(gè)稀少的研究工作轉(zhuǎn)化為廣泛的用戶社區(qū)可用的商品。尤其是在過去的10年,基于高光譜圖像的特性踴躍出一大批針對(duì)高光譜數(shù)據(jù)處理的方法。而高光譜影像的分類作為做熱門的話題,引無數(shù)研究者趨之若鶩。傳統(tǒng)的分類方法只考慮到高光譜圖像的光譜信息而忽略其空間信息,導(dǎo)致最終的分類結(jié)果差強(qiáng)人意。結(jié)合高光譜影像的光譜信息和空間信息后,分類的結(jié)果有著明顯的提高。而提取空間信息的方法又千差萬別,如何有效的提取高光譜圖像的空間信息并且去除高光譜高維數(shù)據(jù)的冗余性成為研究的關(guān)鍵。近年來,隨著人工智能的興起,深度學(xué)習(xí)技術(shù)逐漸進(jìn)入人們的視野。深度學(xué)習(xí)最早興起于圖像識(shí)別,但是短短的幾年時(shí)間內(nèi),深度學(xué)習(xí)推廣到了機(jī)器學(xué)習(xí)的各個(gè)領(lǐng)域。如今,深度學(xué)習(xí)在很多機(jī)器學(xué)習(xí)領(lǐng)域都有著非常出眾的表現(xiàn)。本文利用深度學(xué)習(xí)在特征提取上的優(yōu)勢,將深度學(xué)習(xí)應(yīng)用到高光譜影像的分類任務(wù)中,主要貢獻(xiàn)為:針對(duì)傳統(tǒng)方法沒有結(jié)合高光譜影像的空間信息這一缺陷,提出了一種基于特征融合和深度森林的高光譜影像分類方法。該方法先采用PCA對(duì)原始高光譜數(shù)據(jù)進(jìn)行降維,然后在降維的數(shù)據(jù)上分別提取它的可擴(kuò)展形態(tài)學(xué)特征(EMP)、線性多尺度特征以及非線性多尺度特征。將這三種特征融合后的特征作為深度森林分類器的輸入。實(shí)驗(yàn)結(jié)果證明基于特征融合和深度森林的高光譜分類方法是高效的,即使在小樣上也有非常出色的表現(xiàn)。針對(duì)CNN固定的幾何結(jié)構(gòu)所導(dǎo)致建模幾何變換能力不夠好的問題,即把一張圖片顛倒后CNN可能無法識(shí)別,提出了一種基于可變形卷積神經(jīng)網(wǎng)絡(luò)的高光譜影像分類方法。該方法在CNN的基礎(chǔ)上引入一個(gè)新的模塊,即可變形卷積層,能夠識(shí)別不同拍攝角度的圖像,增強(qiáng)了傳統(tǒng)CNN的建模幾何變換的能力。實(shí)驗(yàn)結(jié)果證明可變形卷積神經(jīng)網(wǎng)絡(luò)在高光譜分類工作中有著很好的表現(xiàn)。針對(duì)CNN的內(nèi)部數(shù)據(jù)表示不考慮簡單和復(fù)雜對(duì)象之間的重要空間層次,使得CNN無法精確識(shí)別不同角度拍攝的照片這一問題。提出了基于膠囊網(wǎng)絡(luò)的高光譜影像分類方法。膠囊網(wǎng)絡(luò)模擬了人大腦中對(duì)物體的表示不依賴于視角,結(jié)合了對(duì)象之間的相對(duì)關(guān)系,提高了物體的識(shí)別率。該方法先采用主成分分析法(PCA)對(duì)高光譜影像的光譜維進(jìn)行降維,去除冗余信息,然后用窗口掃描得到訓(xùn)練和測試樣本,進(jìn)而送入膠囊網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果證明膠囊網(wǎng)絡(luò)在高光譜遙感影像的分類任務(wù)中也有著不錯(cuò)的表現(xiàn)。
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP18;TP751
【圖文】：

西安電子科技大學(xué)Pavia 和 Salinas。Indian Pines 是在美國印第數(shù)據(jù)，其大小為 145 145，包含 16 種地物的 20 個(gè)波段后，Indian Pines 數(shù)據(jù)剩下 20University of Pavia 是在帕維亞大學(xué)上方用 為 610 340，包含了 9 種地物，空間分辨率為還剩下的 103 個(gè)波段，這也是最終實(shí)驗(yàn)所用利納斯山谷拍攝的高光譜數(shù)據(jù)，其大小為 5達(dá)到 3.7m/pixel。去掉 20 個(gè)有噪聲的波段，用的數(shù)據(jù)。這三種高光譜數(shù)據(jù)的偽彩圖和對(duì)所示。

theUniversityofPavia的偽彩圖以及對(duì)應(yīng)的地物種Shadows

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 田彥平;陶超;鄒崢嶸;楊釗霞;何小飛;;主動(dòng)學(xué)習(xí)與圖的半監(jiān)督相結(jié)合的高光譜影像分類[J];測繪學(xué)報(bào);2015年08期

2 馮海亮;潘競文;黃鴻;;半監(jiān)督鄰域保持嵌入在高光譜影像分類中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2014年S1期

3 楊哲海;張俊;李之歆;;低通濾波器在高光譜影像分類中的應(yīng)用[J];海洋測繪;2011年05期

4 楊可明;劉飛;孫陽陽;魏華鋒;史鋼強(qiáng);;諧波分析光譜角制圖高光譜影像分類[J];中國圖象圖形學(xué)報(bào);2015年06期

5 楊可明;張濤;王立博;錢小麗;劉士文;王林偉;;高光譜影像的諧波分析融合算法研究[J];中國礦業(yè)大學(xué)學(xué)報(bào);2014年03期

6 馮海亮;潘競文;黃鴻;;一種改進(jìn)的鄰域保持嵌入高光譜影像分類方法[J];光電工程;2014年09期

7 覃環(huán)虎;張立福;劉凱;;高光譜影像庫的數(shù)據(jù)存取技術(shù)研究[J];計(jì)算機(jī)工程;2012年16期

8 劉天樂;高偉;劉修國;陳啟浩;;矢量量化壓縮算法在高光譜影像上的研究實(shí)現(xiàn)[J];計(jì)算機(jī)工程與應(yīng)用;2008年34期

9 原傳綱;張廣有;吳迪;楊哲海;;面向應(yīng)用的高光譜影像分類方法[J];測繪科學(xué)技術(shù)學(xué)報(bào);2007年02期

10 楊哲海,馮猛,張燕燕;高光譜影像處理方法的改進(jìn)[J];海洋測繪;2004年04期

相關(guān)會(huì)議論文 前10條

1 郝博雅;孫潔;;高光譜影像特性研究[A];第八屆全國信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議會(huì)刊[C];2014年

2 董廣軍;紀(jì)松;朱朝杰;;基于局部線性嵌入流形學(xué)習(xí)的高光譜影像分類技術(shù)[A];第六屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集（3）[C];2008年

3 舒寧;;多光譜和高光譜影像紋理分析的幾種方法[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

4 黃遠(yuǎn)程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會(huì)摘要集[C];2010年

5 董彥芳;龐勇;;高光譜影像與LiDAR數(shù)據(jù)融合提取城市目標(biāo)提取[A];中國地震學(xué)會(huì)空間對(duì)地觀測專業(yè)委員會(huì)2013年學(xué)術(shù)研討會(huì)論文摘要集[C];2013年

6 林志壘;;Hyperion高光譜影像的特征提取研究[A];中國地理學(xué)會(huì)百年慶典學(xué)術(shù)論文摘要集[C];2009年

7 李飛;周成虎;陳榮國;;基于光譜曲線形態(tài)的高光譜影像檢索方法研究[A];第二屆中國科學(xué)院博士后學(xué)術(shù)年會(huì)暨高新技術(shù)前沿與發(fā)展學(xué)術(shù)會(huì)議程序冊(cè)[C];2010年

8 付晶;舒寧;孔祥兵;;基于隱馬爾可夫模型的光譜匹配算法[A];第十七屆中國遙感大會(huì)摘要集[C];2010年

9 詹遠(yuǎn)增;王迪峰;毛志華;;基于Hyperion衛(wèi)星高光譜影像的溢油信息提取研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會(huì)暨交叉學(xué)科論壇文集[C];2010年

10 劉軍;王冬紅;張永生;;基于POS的機(jī)載高光譜影像幾何校正[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

相關(guān)重要報(bào)紙文章 前1條

1 本報(bào)記者 樊成瓊 金毛毛;小小衛(wèi)星帶來產(chǎn)業(yè)發(fā)展大格局[N];貴陽日?qǐng)?bào);2018年

相關(guān)博士學(xué)位論文 前10條

1 楊麗霞;稀疏學(xué)習(xí)機(jī)及其在高光譜影像分類中的應(yīng)用[D];西安電子科技大學(xué);2016年

2 路威;面向目標(biāo)探測的高光譜影像特征提取與分類技術(shù)研究[D];中國人民解放軍信息工程大學(xué);2005年

3 杜輝強(qiáng);高光譜遙感影像濾波和邊緣提取方法研究[D];武漢大學(xué);2004年

4 楊哲海;高光譜影像分類若干關(guān)鍵技術(shù)的研究[D];解放軍信息工程大學(xué);2006年

5 龔鑓;基于HDA和MRF的高光譜影像同質(zhì)區(qū)分析[D];武漢大學(xué);2007年

6 王凱;基于多特征融合的高光譜影像地物精細(xì)分析方法研究[D];武漢大學(xué);2013年

7 黃風(fēng)華;云環(huán)境下基于并行支持向量機(jī)的高光譜影像分類研究[D];福建師范大學(xué);2014年

8 賀威;高光譜影像多類型噪聲分析的低秩與稀疏方法研究[D];武漢大學(xué);2017年

9 孫艷麗;聯(lián)合豐度信息與空譜特征的高光譜影像分類研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

10 亓呈明;基于多核學(xué)習(xí)的高光譜遙感影像分類方法研究[D];中國地質(zhì)大學(xué)(北京);2016年

相關(guān)碩士學(xué)位論文 前10條

1 張文豪;基于特征學(xué)習(xí)和深度學(xué)習(xí)的高光譜影像分類[D];西安電子科技大學(xué);2018年

2 宋淑;基于空間信息與網(wǎng)絡(luò)學(xué)習(xí)的高光譜影像分類[D];西安電子科技大學(xué);2018年

3 馬偉波;基于HyMAP-C航空高光譜影像土壤重金屬濃度估算[D];中國礦業(yè)大學(xué);2018年

4 張雅春;基于稀疏約束最小二乘光譜解混算法的濕地精細(xì)分類[D];哈爾濱師范大學(xué);2018年

5 劉暢;無人機(jī)影像‘圖—譜’信息融合在作物氮素診斷中的應(yīng)用研究[D];西安科技大學(xué);2018年

6 羅政;基于HJ-1A高光譜影像的植被類型識(shí)別[D];中國地質(zhì)大學(xué)(北京);2018年

7 姚嬈;高光譜影像的降維方法研究[D];遼寧師范大學(xué);2018年

8 牟巖;基于子空間的高光譜影像降維及分類研究[D];西安科技大學(xué);2018年

9 賈源旭;基于濕地分類的環(huán)境衛(wèi)星高光譜影像處理方法及分類效果對(duì)比研究[D];延邊大學(xué);2017年

10 董連鳳;高光譜影像預(yù)處理技術(shù)研究[D];長安大學(xué);2007年

本文編號(hào)：2729147