本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法研究

  更多相關(guān)文章： 高光譜圖像 數(shù)據(jù)分類 卷積神經(jīng)網(wǎng)絡(luò) 空譜聯(lián)合 深度學(xué)習(xí)

【摘要】：由于高光譜遙感技術(shù)的逐漸強(qiáng)大,遙感數(shù)據(jù)維度的不斷增加,為高光譜數(shù)據(jù)分析中主流的分類問題帶來挑戰(zhàn)。在面對(duì)高光譜數(shù)據(jù)多維度、相關(guān)性、非線性、數(shù)據(jù)量大的特點(diǎn)下,如何將在其他分類任務(wù)中取得成功的算法應(yīng)用到高光譜數(shù)據(jù)的分類中,變成了在高光譜遙感圖像數(shù)據(jù)分析領(lǐng)域中的重要問題。除此之外,隨著空間測(cè)量技術(shù)水平的提升,高光譜影像的空間分辨率越來越高,進(jìn)而使得圖片像元之間的相關(guān)性越來越高,給利用空間信息對(duì)高光譜數(shù)據(jù)進(jìn)行分類提供了可能。本課題嘗試將在圖像識(shí)別、語言檢測(cè)等方面取得成功的卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用在高光譜圖像中,利用其能夠應(yīng)對(duì)非線性、網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、可并行運(yùn)算等能力去解決高光譜數(shù)據(jù)分類問題。本課題首先對(duì)深度學(xué)習(xí)理論框架中的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究,探討了卷積神經(jīng)網(wǎng)絡(luò)的深度模型結(jié)構(gòu),研究了支持卷積神經(jīng)網(wǎng)絡(luò)的Caffe平臺(tái),利用自然圖像集對(duì)卷積分類實(shí)現(xiàn)平臺(tái)進(jìn)行了驗(yàn)證,并分析了該分類模型對(duì)高光譜地物信息進(jìn)行分類的可能性。在卷積神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上,以譜信息為分類依據(jù),研究了基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法,由于卷積神經(jīng)網(wǎng)絡(luò)的輸入是圖像,提出了兩種譜信息變換成圖像的方法。一種將譜信息轉(zhuǎn)換為灰度圖,利用卷積網(wǎng)絡(luò)學(xué)習(xí)高光譜數(shù)據(jù)譜段間的變化紋理特征對(duì)數(shù)據(jù)進(jìn)行分類;一種將譜信息轉(zhuǎn)換為波形圖,利用卷積網(wǎng)絡(luò)學(xué)習(xí)高光譜數(shù)據(jù)譜段間波動(dòng)特征對(duì)其進(jìn)行分類。巧妙地利用了在圖像分類方面取得了顯著性成果的深度學(xué)習(xí)思想對(duì)高光譜遙感圖像的像元進(jìn)行分類。實(shí)驗(yàn)表明,這兩種方法對(duì)分類任務(wù)中的樣本種類數(shù)量比較敏感,在樣本種類比較多的數(shù)據(jù)集上的分類結(jié)果優(yōu)于基于PCA降維的高斯核支持向量機(jī)方法,在某些種類比較少的數(shù)據(jù)集上的分類結(jié)果全面優(yōu)于當(dāng)前主流的基于SVM和其他深度模型分類方法。證明了用卷積神經(jīng)網(wǎng)絡(luò)對(duì)高光譜數(shù)據(jù)分類具有可行性,并為提出更有效的模型和算法提供了一種新的方向。此外,為充分利用高光譜感知所提供的空間信息,同樣基于卷積神經(jīng)網(wǎng)絡(luò)的灰度圖和波形圖研究了兩種基于空譜聯(lián)合的高光譜數(shù)據(jù)分類方法。實(shí)驗(yàn)證明,在加入了空間信息以后,利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)高光譜數(shù)據(jù)分類的效果有了更明顯的進(jìn)步,同時(shí)證明了空間信息在高光譜數(shù)據(jù)分類中的重要意義,提高了遙感帶來的豐富信息的利用率。
【關(guān)鍵詞】：高光譜圖像 數(shù)據(jù)分類 卷積神經(jīng)網(wǎng)絡(luò) 空譜聯(lián)合 深度學(xué)習(xí)
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751;TP183
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-23
• 1.1 課題背景及研究的目的和意義8-9
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀及分析9-21
• 1.2.1 光譜遙感技術(shù)9-11
• 1.2.2 高光譜數(shù)據(jù)分類11-14
• 1.2.3 深度學(xué)習(xí)理論14-20
• 1.2.4 卷積神經(jīng)網(wǎng)絡(luò)20-21
• 1.3 課題主要研究?jī)?nèi)容21-23
• 第2章 卷積神經(jīng)網(wǎng)絡(luò)的分析與驗(yàn)證23-44
• 2.1 卷積神經(jīng)網(wǎng)絡(luò)的理論模型23-26
• 2.1.1 局部感受野23-24
• 2.1.2 參數(shù)共享24-25
• 2.1.3 多卷積核25-26
• 2.2 卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)框架26-30
• 2.2.1 現(xiàn)有學(xué)習(xí)框架及其特點(diǎn)26-29
• 2.2.2 Caffe框架分析29-30
• 2.3 實(shí)驗(yàn)平臺(tái)搭建30-32
• 2.3.1 軟件運(yùn)行平臺(tái)30-31
• 2.3.2 硬件平臺(tái)31-32
• 2.3.3 模型選擇32
• 2.4 卷積分類平臺(tái)實(shí)驗(yàn)驗(yàn)證及結(jié)果分析32-42
• 2.4.1 樣本圖片預(yù)處理33-34
• 2.4.2 分類結(jié)果與樣本內(nèi)容的關(guān)系34-39
• 2.4.3 分類結(jié)果與迭代次數(shù)的關(guān)系39-40
• 2.4.4 分類結(jié)果與種類數(shù)量的關(guān)系40-41
• 2.4.5 分類模型測(cè)試時(shí)間分析41-42
• 2.4.6 卷積神經(jīng)網(wǎng)絡(luò)分類高光譜數(shù)據(jù)可行性分析42
• 2.5 本章小結(jié)42-44
• 第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像數(shù)據(jù)分類44-58
• 3.1 基于譜信息灰度圖像的分類方法45-46
• 3.2 基于譜信息波形圖像的分類方法46-48
• 3.3 實(shí)驗(yàn)及分析48-57
• 3.3.1 實(shí)驗(yàn)數(shù)據(jù)簡(jiǎn)介48-50
• 3.3.2 數(shù)據(jù)處理50-51
• 3.3.3 模型深度分析51-54
• 3.3.4 訓(xùn)練樣本情況分析54-56
• 3.3.5 對(duì)比實(shí)驗(yàn)56-57
• 3.4 本章小結(jié)57-58
• 第4章 基于空譜聯(lián)合的高光譜圖像分類方法58-65
• 4.1 基于空譜信息灰度圖像的分類方法59-60
• 4.2 基于空譜信息波形圖像的分類方法60-61
• 4.3 實(shí)驗(yàn)及分析61-64
• 4.3.1 數(shù)據(jù)處理61-62
• 4.3.2 分類結(jié)果62-64
• 4.3.3 對(duì)比實(shí)驗(yàn)及分析64
• 4.4 本章小結(jié)64-65
• 結(jié)論65-66
• 參考文獻(xiàn)66-70
• 攻讀碩士學(xué)位期間發(fā)表的論文70-72
• 致謝72

，

本文編號(hào)：891970