高光譜遙感技術一直以來是遙感領域的一個研究熱點,在很多實際場景中產生了良好的社會經濟效益。因此不斷改進和完善高光譜數(shù)據(jù)的處理分析方法是人們所迫切需要的。雖然傳統(tǒng)特征提取方法在高光譜數(shù)據(jù)上的應用已初見成效,但是并沒有很好地解決高光譜數(shù)據(jù)的數(shù)據(jù)冗余和人工標記樣本缺乏等問題。針對高光譜數(shù)據(jù)非線性的特點,本文首先基于流形學習方法,在其基礎上進行改進和優(yōu)化,提出了一種新的特征提取方法。近些年深度學習方法由于其強大的特征學習能力,在高光譜數(shù)據(jù)的特征提取與分類上表現(xiàn)得越來越搶眼。本文針對高光譜數(shù)據(jù)存在人工標記的訓練樣本有限等問題,設計了一種基于多層特征融合的卷積神經網(wǎng)絡模型,用于提取高光譜數(shù)據(jù)的非線性特征并最終實現(xiàn)分類。主要研究內容如下:(1)針對原始高光譜數(shù)據(jù)的噪聲問題,首先對其進行降噪等預處理操作,然后將校正后的三維高光譜數(shù)據(jù)轉化成二維數(shù)據(jù)。(2)針對高光譜數(shù)據(jù)的非線性特征及“小樣本”問題,本文在流形學習方法基礎上提出了一種正交指數(shù)判別局部保留投影法(Orthogonal Exponential Discriminant Locality Preserving Projection,OEDLPP...

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖２．１高光譜數(shù)據(jù)結構示意圖??２．２高光譜實驗數(shù)據(jù)集??

標的識別和檢測就越準確［４１］。高光譜數(shù)據(jù)包括了空間域和光譜域，分別代表了地物特征信息??和每一個被觀測地物的光譜信息。高光譜遙感數(shù)據(jù)就是將兩者疊加得到一個立方體，完整地??將地物特征和光譜信息結合在一起，使其具有“圖譜合一”的性質。如圖２．１為高光譜數(shù)據(jù)的??三維結構示意圖。從....

圖２．２?Ｉｎｄｉａｎ?Ｐｉｎｅｓ偽彩色圖及地物的真實類別標記圖??

Ｉｎｄｉａｎ?Ｐｉｎｅｓ數(shù)據(jù)是由ＡＶＩＲＩＳ傳感器在印第安納州西北部的Ｉｎｄｉａｎ?Ｐｉｎｅｓ地區(qū)采集的，大??小為１４５ｘ１４５，由２２４個光譜波段組成。其中光譜波段范圍為０．４￣２．５ｘｌ〇－６ｍ。該數(shù)據(jù)的偽彩??色圖（波段選擇５７，?２７，?１７）如圖２．２（ａ）所示，圖２....

圖２．３?ＰａｖｉａＣ偽彩色圖及地物的真實類別標記圖??表２．２?ＰａｖｉａＣ數(shù)據(jù)集樣本類別及其數(shù)量??

原始大小為１０９６ｘ１０％，但是該數(shù)據(jù)的一些樣本不包含地表信息，我們通過預處理方法將其??丟棄。因此通過校正后的數(shù)據(jù)大小為丨０９６ｘ７丨５，擁有１０２個波段。該數(shù)據(jù)的偽彩色圖（波段??選擇６８，?３０，?２）如圖２．３（ａ）所示，圖２．３（ｂ）給出了數(shù)據(jù)集的真實類別標記，同一顏色....

圖２．４?ＰａｖｉａＵ偽彩色圖及地物的真實類別標記圖??

６１０ｘ６１０，我們仍需丟棄與本文分類實驗無關且不包含地表信息的無用樣本。原數(shù)據(jù)校正得到??的圖像大小為６１０ｘ３４０，擁有１０３個波段。該數(shù)據(jù)的偽彩色圖（波段選擇６８，?３０，２）如圖??２．４（ａ）所示，圖２．４（ｂ）給出了數(shù)據(jù)集的真實類別標記。該觀測場景對９類地物進行了標記....

本文編號：3915717