空間成像技術(shù)的飛速發(fā)展使高光譜遙感圖像的獲取更加便捷和應(yīng)用更加廣泛。高光譜圖像具有豐富的光譜維度信息和高分辨率的空間信息,這使得其在實(shí)現(xiàn)地物的精細(xì)分類方面擁有巨大應(yīng)用價(jià)值。高光譜遙感圖像即包含高維數(shù)據(jù)和明確的空間輪廓,又包含大量的噪聲信息,所以提取有價(jià)值的特征對(duì)圖像分類至關(guān)重要。傳統(tǒng)手工特征提取方法往往費(fèi)時(shí)費(fèi)力,而且只能夠提取淺層特征。作為機(jī)器學(xué)習(xí)的一個(gè)重要分支,深度學(xué)習(xí)憑借其隱式學(xué)習(xí)和深層次特征提取等獨(dú)特優(yōu)勢(shì)在圖像處理方面大放異彩。應(yīng)用深度學(xué)習(xí)模型進(jìn)行高光譜遙感圖像分類具有重大研究?jī)r(jià)值。論文主要研究?jī)?nèi)容如下:首先針對(duì)訓(xùn)練樣本的匱乏問(wèn)題,在圖像旋轉(zhuǎn)增廣方法的基礎(chǔ)上,提出了改進(jìn)的數(shù)據(jù)增廣方法,擴(kuò)充后得到了包含更多信息的訓(xùn)練樣本,并通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了方法的改進(jìn)對(duì)模型泛化能力的顯著提升。其次針對(duì)深度學(xué)習(xí)模型層數(shù)過(guò)深容易導(dǎo)致泛化能力退化問(wèn)題,結(jié)合殘差學(xué)習(xí)原理提出了新型深度卷積網(wǎng)絡(luò)模型,并在三個(gè)實(shí)驗(yàn)數(shù)據(jù)集上驗(yàn)證了模型能夠達(dá)到比其他方法更高的分類精度。最后提出一個(gè)多尺度濾波器卷積網(wǎng)絡(luò)（MSF_CNN）,并對(duì)深度學(xué)習(xí)模型無(wú)監(jiān)督學(xué)習(xí)進(jìn)行了探索,采用最小噪聲分離變換方法得到樣本標(biāo)簽圖... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

高光譜圖像在三維坐標(biāo)系中的展示

所屬類別進(jìn)行機(jī)器識(shí)別或分類，高光譜圖像分類是對(duì)圖像中每一個(gè)像元點(diǎn)的標(biāo)簽進(jìn)行分類，通過(guò)對(duì)圖像中的每一個(gè)像元的標(biāo)簽進(jìn)行判別后，對(duì)整張遙感圖像的地貌信息進(jìn)行劃分，從而達(dá)到通過(guò)機(jī)器分辨真實(shí)地貌的效果。高光譜分類的概覽如圖1-2所示，針對(duì)不同像元在連續(xù)的光譜波段上的表現(xiàn)差異，從光譜信息出發(fā)，結(jié)合像元與鄰域像元之間的空間信息，如河流或湖泊總是成條流或成片存在的，通過(guò)光譜信息和空間信息的聯(lián)合特征提取，對(duì)每一個(gè)未知樣本像元進(jìn)行預(yù)測(cè)分類。通過(guò)對(duì)圖像信息進(jìn)行分類研究，我們可以大致了解到一定區(qū)域內(nèi)的真實(shí)地貌是怎樣的，節(jié)省了人工標(biāo)識(shí)或者實(shí)地調(diào)查等耗時(shí)耗力的環(huán)節(jié)，且隨著研究的深入，地區(qū)精細(xì)地物的分類的準(zhǔn)確率也具有一定的保障[14]。1.2 國(guó)內(nèi)外研究現(xiàn)狀1.2.1 傳統(tǒng)分類方法的研究現(xiàn)狀傳統(tǒng)的高光譜圖像分類方法大多基于特征提取和波段選擇，通過(guò)提取出具有判別價(jià)值的信息進(jìn)行分類。同時(shí)這些具有降維作用的方法也會(huì)一定程度上解決由于訓(xùn)練集的樣本量少和維度高等特性導(dǎo)致修斯現(xiàn)象發(fā)生的問(wèn)題[15, 16]。常用的降維方法包含特征提取和波段選擇。從計(jì)算角度來(lái)看，特征提取分為線性提取方法和非線性提取方法[17–21]。Benediktsson等人supercit

線性處理不能對(duì)特征進(jìn)行有效區(qū)分。卷積神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)的作用即為模型添加非線性因素，提高卷積網(wǎng)絡(luò)對(duì)真實(shí)的模型的表達(dá)能力，從而解決線性模型不能解決的問(wèn)題。如圖2-1所示，常見的激活函數(shù)有Sigmod函數(shù)、Tanh函數(shù)和ReLU函數(shù)。圖2-1三種常見激活函數(shù)圖像Sigmod激活函數(shù)的取值范圍為(0,1)的開區(qū)間，而且在靠近原點(diǎn)附近時(shí)，函數(shù)的斜率較大，表明這是神經(jīng)元的敏感區(qū)域；當(dāng)定義域接近于兩側(cè)時(shí)，函數(shù)的斜率較小，表明這是神經(jīng)元的抑郁區(qū)。函數(shù)的計(jì)算原理如公式(2-3)所示：- 7 -

【參考文獻(xiàn)】：
期刊論文
[1]SVM在高光譜圖像處理中的應(yīng)用綜述[J]. 王立國(guó),趙亮,劉丹鳳.  哈爾濱工程大學(xué)學(xué)報(bào). 2018(06)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像譜-空聯(lián)合分類[J]. 付光遠(yuǎn),辜弘煬,汪洪橋.  科學(xué)技術(shù)與工程. 2017(21)
[3]多任務(wù)學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用[J]. 邵蔚元,郭躍飛.  計(jì)算機(jī)工程與應(yīng)用. 2016(13)
[4]基于多光譜與高光譜遙感數(shù)據(jù)的冬小麥葉面積指數(shù)反演比較[J]. 劉軻,周清波,吳文斌,陳仲新,唐華俊.  農(nóng)業(yè)工程學(xué)報(bào). 2016(03)
[5]農(nóng)產(chǎn)品外部品質(zhì)無(wú)損檢測(cè)中高光譜成像技術(shù)的應(yīng)用研究進(jìn)展[J]. 李江波,饒秀勤,應(yīng)義斌.  光譜學(xué)與光譜分析. 2011(08)
[6]高光譜遙感技術(shù)綜述[J]. 袁迎輝,林子瑜.  中國(guó)水運(yùn)(學(xué)術(shù)版). 2007(08)
[7]高光譜遙感技術(shù)在水環(huán)境監(jiān)測(cè)中的應(yīng)用研究[J]. 萬(wàn)余慶,張鳳麗,閆永忠.  國(guó)土資源遙感. 2003(03)
[8]以地物識(shí)別和分類為目標(biāo)的高光譜數(shù)據(jù)挖掘[J]. 王晉年,張兵,劉建貴,童慶禧,鄭蘭芬.  中國(guó)圖象圖形學(xué)報(bào). 1999(11)
[9]紅外遙感技術(shù)的進(jìn)展與展望[J]. 崔承禹.  國(guó)土資源遙感. 1992(01)



本文編號(hào)：3286631