發(fā)布時(shí)間：2021-07-09 22:17

　　高光譜圖像分類是高光譜數(shù)據(jù)分析過程中最重要的任務(wù)之一,精準(zhǔn)的分類結(jié)果是高光譜遙感廣泛應(yīng)用的前提。近年來,深度學(xué)習(xí)以其強(qiáng)大的表征能力在計(jì)算機(jī)視覺領(lǐng)域取得巨大成功,應(yīng)用深度學(xué)習(xí)處理高光譜圖像分類問題是當(dāng)前遙感領(lǐng)域的研究熱點(diǎn)。然而,由于高光譜圖像中光譜數(shù)據(jù)維度與可用訓(xùn)練樣本數(shù)目的失衡,深度學(xué)習(xí)網(wǎng)絡(luò)常面臨過擬合問題。各種深度學(xué)習(xí)網(wǎng)絡(luò)固有的建筑模塊在不同方面限制了其對(duì)光譜、空間信息的聯(lián)合利用與學(xué)習(xí)。針對(duì)上述問題,結(jié)合高光譜數(shù)據(jù)的特點(diǎn),本文提出兩種基于深度學(xué)習(xí)的高光譜圖像分類方法。具體內(nèi)容如下:1、提出一種基于光譜角距離加權(quán)融合和可變形卷積神經(jīng)網(wǎng)絡(luò)的分類方法。首先,使用層級(jí)引導(dǎo)濾波提取邊緣等低級(jí)空間特征。然后,通過計(jì)算余弦夾角距離評(píng)定特征融合的權(quán)值參數(shù),對(duì)多層次的濾波輸出進(jìn)行加權(quán)融合。最后,構(gòu)建深度可變形卷積神經(jīng)網(wǎng)絡(luò)對(duì)融合特征進(jìn)行深層抽象,完成端到端分類。該方法在空譜聯(lián)合特征的獲取過程中考慮了二維卷積忽略的光譜相關(guān)性,利用具有可變形結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)性地概括高光譜圖像中場(chǎng)景成像的各種變換。2、提出一種基于多尺度形狀體的圖正則堆疊稀疏自編碼網(wǎng)絡(luò)的分類方法。首先,使用超像素分割方法構(gòu)建不同形狀的... 

【文章來源】：遼寧師范大學(xué)遼寧省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

高光譜圖像

基于深度學(xué)習(xí)的高光譜圖像分類方法研究-8-2深度學(xué)習(xí)相關(guān)理論2.1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)能夠高效準(zhǔn)確地學(xué)習(xí)并解釋現(xiàn)實(shí)中復(fù)雜多變的數(shù)據(jù)，是當(dāng)前人工智能領(lǐng)域中最為有效的方法之一。神經(jīng)網(wǎng)絡(luò)以仿生學(xué)為依據(jù)，通過抽象和模擬生物腦神經(jīng)系統(tǒng)的工作原理和基本特性建立數(shù)學(xué)模型。生物神經(jīng)系統(tǒng)是大量相互連接的生物神經(jīng)元構(gòu)成的復(fù)雜網(wǎng)絡(luò)，它通過改變神經(jīng)元之間的連接甚至生成新的連接達(dá)到學(xué)習(xí)的目的。在生物神經(jīng)系統(tǒng)中，神經(jīng)沖動(dòng)經(jīng)樹突傳遞進(jìn)生物神經(jīng)元，并由細(xì)胞核決定是否繼續(xù)將沖動(dòng)通過軸突傳遞給其他相連的神經(jīng)元。類似地，研究者通過一系列帶權(quán)連接的簡(jiǎn)單人工神經(jīng)元構(gòu)成神經(jīng)網(wǎng)絡(luò)模型，每個(gè)人工神經(jīng)元接收來自其他神經(jīng)元的輸出信號(hào)，在整合所有輸入信息后產(chǎn)生新的輸出。神經(jīng)網(wǎng)絡(luò)通過不斷調(diào)整連接上的權(quán)重達(dá)到學(xué)習(xí)的目的。圖2.1生物神經(jīng)元Fig.2.1Biologicalneuron2.1.1前向傳播完整的神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層、不定數(shù)目的隱藏層和一個(gè)輸出層構(gòu)成。每個(gè)隱藏層都含有一個(gè)偏置單元，也就是截距項(xiàng)，用b表示。與其他節(jié)點(diǎn)不同，偏置單元沒有輸入即不需要與上一層節(jié)點(diǎn)連接。節(jié)點(diǎn)間連線的權(quán)值用W表示。記lijW為第l層第j單元與第l1層第i單元之間的連接權(quán)值，lib為第l層第i單元的偏置，則網(wǎng)絡(luò)參數(shù)表示為W,bWl,bl。則為神經(jīng)網(wǎng)絡(luò)信息傳遞建模如下：

植扛兄?腿ㄖ倒蠶斫峁故茍轡?圖像的直接輸入成為可能，其避免了復(fù)雜的數(shù)據(jù)重構(gòu)等預(yù)過程，彌補(bǔ)了全連接網(wǎng)絡(luò)完全無(wú)視輸入圖像空間上下文信息的缺憾。下采樣不僅能降低所提特征的維度，還能增強(qiáng)網(wǎng)絡(luò)對(duì)圖像變換的應(yīng)對(duì)能力，使網(wǎng)絡(luò)具有平移不變性。2.3.2基本結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)是一類具有特殊結(jié)構(gòu)的深度前饋人工神經(jīng)網(wǎng)絡(luò)。典型的CNN主要由輸入層、卷積層、池化層、全連接層和應(yīng)用于分類的softmax輸出層構(gòu)成。如圖所示，CNN可直接以圖像矩陣為輸入，經(jīng)交替連接的卷積層、池化層，通常最終以softmax分類器作輸出層結(jié)束網(wǎng)絡(luò)。圖2.2LeNet5的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2.2ThenetworkstructureofLeNet5（1）卷積層卷積層是CNN不可缺少的最重要的組成部分，它使網(wǎng)絡(luò)具有自動(dòng)提取特征的能力。卷積層的輸入與輸出之間通過卷積核連接，卷積核是卷積層的核心，它的本質(zhì)是權(quán)值矩陣。卷積核的大小決定了輸入圖像參與局部特征提取的區(qū)域范圍，即局部感受野的大校每個(gè)局部感受野內(nèi)的元素與卷積核內(nèi)的權(quán)值參數(shù)一一對(duì)應(yīng)作內(nèi)積得到當(dāng)前覆蓋位置的輸出，這個(gè)過程即為卷積運(yùn)算。在共享權(quán)值的機(jī)制下，每個(gè)卷積核在遍歷整個(gè)圖像期間不改變權(quán)值參數(shù)。輸出特征圖的每個(gè)元素對(duì)應(yīng)卷積核在輸入圖像中相應(yīng)移動(dòng)位置的卷積結(jié)果。圖2.3描述了一個(gè)卷積核進(jìn)行特征提取的詳細(xì)過程：

【參考文獻(xiàn)】：
期刊論文
[1]基于分層引導(dǎo)濾波與最近鄰正則化子空間的高光譜圖像分類[J]. 徐冬冬,程德強(qiáng),陳亮亮,寇旗旗,唐守鋒.  光子學(xué)報(bào). 2020(04)
[2]CNN和三維Gabor濾波器的高光譜圖像分類[J]. 魏祥坡,余旭初,譚熊,劉冰,職露.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2020(01)
[3]面向高光譜圖像分類的局部Gabor卷積神經(jīng)網(wǎng)絡(luò)[J]. 王燕,王麗.  計(jì)算機(jī)科學(xué). 2020(06)
[4]基于3D多尺度特征融合殘差網(wǎng)絡(luò)的高光譜圖像分類[J]. 郭文慧,曹飛龍.  模式識(shí)別與人工智能. 2019(10)
[5]基于TSNE和多尺度稀疏自編碼的高光譜圖像分類[J]. 董安國(guó),張倩,劉洪超,梁苗苗.  計(jì)算機(jī)工程與應(yīng)用. 2019(21)
[6]基于降維Gabor特征和決策融合的高光譜圖像分類[J]. 楊秀杰,高麗.  計(jì)算機(jī)應(yīng)用研究. 2020(03)
[7]基于圖正則自適應(yīng)聯(lián)合協(xié)同表示的高光譜圖像分類[J]. 李冬青,程玉虎,王雪松.  控制與決策. 2020(05)
[8]SSCDenseNet:一種空-譜卷積稠密網(wǎng)絡(luò)的高光譜圖像分類算法[J]. 劉啟超,肖亮,劉芳,徐金環(huán).  電子學(xué)報(bào). 2020(04)



本文編號(hào)：3274604