近些年來(lái),隨著高光譜遙感技術(shù)的飛速發(fā)展,高光譜遙感逐漸成為了遙感領(lǐng)域的主流方向之一。高光譜分類技術(shù)在資源勘探、農(nóng)業(yè)生產(chǎn)、醫(yī)學(xué)檢測(cè)、地質(zhì)災(zāi)害、大氣環(huán)境、文物考古和軍事偵察等領(lǐng)域有著巨大的應(yīng)用潛力和應(yīng)用價(jià)值。高光譜豐富的光譜信息提升分類模型對(duì)于不同地物辨別能力的同時(shí),也引起了維數(shù)災(zāi)難問題。如何同時(shí)有效地利用高光譜圖像的空間和光譜信息,提取具有辨別力的特征,進(jìn)而實(shí)現(xiàn)高效準(zhǔn)確的圖像分類,仍然是一項(xiàng)具有挑戰(zhàn)性的難題。由于卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域的強(qiáng)大分類能力,許多學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到了高光譜圖像分類任務(wù)中。然而,現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的分類方法采用單一的固定空間窗結(jié)構(gòu),忽略了高光譜圖像復(fù)雜的地物分布。同時(shí),卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大量的訓(xùn)練樣本,而高光譜數(shù)據(jù)的訓(xùn)練樣本獲取十分困難,非常容易過(guò)擬合,這些原因都會(huì)抑制高光譜圖像的分類表現(xiàn)。本文針對(duì)高光譜圖像圖譜合一的特性和高光譜圖像的復(fù)雜數(shù)據(jù)分布,通過(guò)設(shè)計(jì)具有多結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型分層自動(dòng)提取高光譜圖像高辨別力的空間和光譜聯(lián)合特征,從而實(shí)現(xiàn)對(duì)于高光譜圖像的精準(zhǔn)分類。本文完成的主要成果總結(jié)如下:（1）提出了基于分治雙結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：101 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

高光譜遙感圖像

輸入可能會(huì)缺乏足夠的空間信息用于分類，導(dǎo)致分類精度下降。因絡(luò)結(jié)構(gòu)會(huì)抑制高光譜圖像像素級(jí)分類的分類表現(xiàn)。 解 決 這 個(gè) 問 題 ， 本 章 我 們 提 出 一 個(gè) 分 治 雙 結(jié) 構(gòu) 卷 積 神and-conquer dual-architecture CNN，DDCNN）用于高光譜圖像分類一個(gè)新的基于局部與非局部決策的區(qū)域劃分方法，將高光譜圖像分區(qū)域。非局部決策在全局搜索超像素對(duì)相似性，局部決策通過(guò)鄰域?qū)τ趧蛸|(zhì)區(qū)域樣本，我們?nèi)∫粋�(gè)大的空間窗保證充足的空間信息，卷積神經(jīng)網(wǎng)絡(luò)提取聯(lián)合空譜特征。對(duì)于異質(zhì)區(qū)域樣本，我們?nèi)∫粋�(gè)領(lǐng)域內(nèi)的樣本來(lái)自同一個(gè)類別，構(gòu)建了一個(gè)微粒度卷積神經(jīng)網(wǎng)絡(luò)學(xué)通過(guò)不同實(shí)驗(yàn)數(shù)據(jù)可以看出我們的分治卷積網(wǎng)絡(luò)是非常有效的。分治雙結(jié)構(gòu) CNN 的高光譜圖像分類.1 熵率超像素分割Entropy

j, 和 k 分別表示位于不同區(qū)域的中心樣本。在圖3.3（d）中，因?yàn)樗械臉颖緦儆谕粋�(gè)超像素，中心樣本 i 被劃分到勻質(zhì)區(qū)域。在圖 3.3（c）和（e）中，中心樣本 j 和 k 的過(guò)濾器中的其他樣本來(lái)自不同的超像素。在基于超像素分割的局部決策中，j 和 k 都將被劃分到異質(zhì)區(qū)域。事實(shí)上，通過(guò)圖 3.3（a）和（b）,我們可以看出，樣本 k 位于超像素分割圖的邊界區(qū)域，然而在真實(shí)標(biāo)簽圖中， 它是位于勻質(zhì)區(qū)域的。我們把這種現(xiàn)象稱為“偽邊界”，這是由于超像素分割引起的。在超像素分割圖中

【參考文獻(xiàn)】：
期刊論文
[1]遞歸濾波與KNN的高光譜遙感圖像分類方法[J]. 涂兵,張曉飛,張國(guó)云,王錦萍,周瑤.  國(guó)土資源遙感. 2019(01)
[2]基于PCA與協(xié)同表示的高光譜圖像分類研究[J]. 韓嫚莉,侯衛(wèi)民,孫靖國(guó),王明,梅少輝.  電子科技大學(xué)學(xué)報(bào). 2019(01)
[3]基于組合降維及旋轉(zhuǎn)SVM的高光譜圖像分類[J]. 任榮,保文星.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(12)
[4]中國(guó)高光譜遙感的前沿進(jìn)展[J]. 童慶禧,張兵,張立福.  遙感學(xué)報(bào). 2016(05)



本文編號(hào)：3101119