高光譜影像存在的"休斯（Hughes）現(xiàn)象"是制約高光譜影像分類(lèi)精度的一個(gè)重要因素。為了提高高光譜影像分類(lèi)精度,提出一種基于流形光譜特征的高光譜影像分類(lèi)算法。首先使用t分布隨機(jī)鄰域嵌入算法對(duì)高光譜影像進(jìn)行降維;其次將降維后的高光譜數(shù)據(jù)作為輸入層,使用卷積神經(jīng)網(wǎng)絡(luò)提取空間深層特征;最后,將提取到的深層空間-光譜特征從隱層特征空間映射到樣本標(biāo)記空間并進(jìn)行分類(lèi)。結(jié)果表明,與其他算法相比,該研究究算法的總體精度和Kappa系數(shù)最高,3個(gè)數(shù)據(jù)集總體精度分別為99.05%、99.43%和98.90%,Kappa系數(shù)分別為98.78%、98.97%和98.34%,顯著提高了高光譜影像的分類(lèi)精度,減少了分類(lèi)用時(shí),有效解決了傳統(tǒng)降維方法容易忽視局部特征的缺點(diǎn)。將流形學(xué)習(xí)降維和深度學(xué)習(xí)分類(lèi)相結(jié)合為高光譜遙感影像分類(lèi)和土地利用研究研究提供了一種思路。 

【文章來(lái)源】：農(nóng)業(yè)工程學(xué)報(bào). 2020,36(06)北大核心EICSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【文章目錄】：
0 引言
1 方法
    1.1 t分布隨機(jī)鄰域嵌入算法
2 試驗(yàn)與結(jié)果分析
    2.1 數(shù)據(jù)準(zhǔn)備
    2.2 流形學(xué)習(xí)降維
    2.3 CNN模型參數(shù)的設(shè)置
    2.4 結(jié)果與分析
3 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]多時(shí)相NDVI與豐度綜合分析的油菜無(wú)人機(jī)遙感長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 劉雅婷,龔龑,段博,方圣輝,彭漪.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2020(02)
[2]黑土養(yǎng)分含量的航空高光譜遙感預(yù)測(cè)[J]. 楊越超,趙英俊,秦凱,趙寧博,楊晨,張東輝,崔鑫.  農(nóng)業(yè)工程學(xué)報(bào). 2019(20)
[3]地塊尺度的復(fù)雜種植區(qū)作物遙感精細(xì)分類(lèi)[J]. 張鵬,胡守庚.  農(nóng)業(yè)工程學(xué)報(bào). 2019(20)
[4]玉兔號(hào)月球車(chē)巡視點(diǎn)礦物豐度及粒徑分布高光譜反演[J]. 林紅磊,張霞,楊亞洲,郭弟均,吳興,戚文超.  遙感學(xué)報(bào). 2019(05)
[5]基于高光譜圖像和深度學(xué)習(xí)的菠菜新鮮度檢測(cè)[J]. 謝忠紅,徐煥良,黃秋桂,王培.  農(nóng)業(yè)工程學(xué)報(bào). 2019(13)
[6]基于深度學(xué)習(xí)的森林蟲(chóng)害無(wú)人機(jī)實(shí)時(shí)監(jiān)測(cè)方法[J]. 孫鈺,周焱,袁明帥,劉文萍,駱有慶,宗世祥.  農(nóng)業(yè)工程學(xué)報(bào). 2018(21)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 龍滿生,歐陽(yáng)春娟,劉歡,付青.  農(nóng)業(yè)工程學(xué)報(bào). 2018(18)

碩士論文
[1]高光譜圖像流形學(xué)習(xí)算法研究[D]. 盧雨風(fēng).電子科技大學(xué) 2016
[2]流形學(xué)習(xí)算法研究與應(yīng)用[D]. 周曉勇.安徽大學(xué) 2014



本文編號(hào)：3554370