【摘要】：高光譜圖像包含了豐富的光譜信息,在遙感對(duì)地觀(guān)測(cè)系統(tǒng)中具有重要的地位,并越來(lái)越廣泛的應(yīng)用于地物勘探、農(nóng)業(yè)遙感、海洋遙感、環(huán)境監(jiān)測(cè)等領(lǐng)域。在高光譜圖像分類(lèi)的研究中,已經(jīng)提出許多空譜特征相結(jié)合的分類(lèi)方法,而最近幾年深度學(xué)習(xí)成為了圖像處理領(lǐng)域的一個(gè)研究熱點(diǎn),對(duì)比于之前的特征提取方法,多層深度學(xué)習(xí)網(wǎng)絡(luò)通過(guò)組合低層特征,形成更加抽象的高層特征表達(dá),能夠發(fā)現(xiàn)數(shù)據(jù)的非線(xiàn)性特征表示,在圖像處理中具有更加優(yōu)越的判別能力和魯棒性。本文主要研究了提取高光譜有效的空間結(jié)構(gòu)信息,并利用深度網(wǎng)絡(luò)從空譜聯(lián)合特征中進(jìn)一步提取高光譜圖像的深度特征,用以分類(lèi)。提出了基于Gabor濾波深度網(wǎng)絡(luò)的高光譜圖像分類(lèi)方法,對(duì)三種常用的實(shí)際高光譜數(shù)據(jù)集的實(shí)驗(yàn)表明,本文提出的方法在分類(lèi)精度上優(yōu)于幾種常用的分類(lèi)方法。本文的內(nèi)容簡(jiǎn)要概括如下:1.基于Gabor濾波稀疏自編碼深度網(wǎng)絡(luò)的高光譜圖像分類(lèi)算法。該方法通過(guò)Gabor濾波器提取高光譜圖像的空間結(jié)構(gòu)信息,此特征能夠有效的表示圖像的紋理和局部方向信息。然后采用稀疏自編碼網(wǎng)絡(luò)從組合的光譜特征和Gabor空間特征中提取高光譜圖像的深度特征。訓(xùn)練深度網(wǎng)絡(luò)需要大量的訓(xùn)練樣本,而高光譜圖像只有有限的標(biāo)記樣本,所以提出一種有效的虛擬樣本構(gòu)造方法,增加了訓(xùn)練樣本數(shù)量,使深度網(wǎng)絡(luò)能夠更好的學(xué)習(xí)和訓(xùn)練,從而更有利用高光譜圖像分類(lèi)。2.基于Gabor濾波深度置信網(wǎng)絡(luò)的高光譜圖像分類(lèi)算法。該方法通過(guò)組合的Gabor特征和光譜特征對(duì)深度置信網(wǎng)絡(luò)進(jìn)行訓(xùn)練,獲取深度置信網(wǎng)絡(luò)參數(shù),并將其作為BP(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)的初始化參數(shù)。這種方式不僅讓組合的特征充分利用了高光譜圖像的空間結(jié)構(gòu)信息,從而更有助于深度網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí),而且采用深度置信網(wǎng)絡(luò)參數(shù)初始化BP神經(jīng)網(wǎng)絡(luò)的方法,給BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中提供了一種先驗(yàn)知識(shí),進(jìn)一步增加了網(wǎng)絡(luò)的判別能力。3.針對(duì)以上兩種高光譜圖像分類(lèi)方法設(shè)計(jì)了一個(gè)軟件系統(tǒng)。本文在MATLAB 2014a編譯環(huán)境中,利用GUI軟件開(kāi)發(fā)工具,實(shí)現(xiàn)了基于Gabor濾波稀疏自編碼深度網(wǎng)絡(luò)的高光譜圖像分類(lèi)方法和基于Gabor濾波深度置信網(wǎng)絡(luò)的高光譜圖像分類(lèi)方法的軟件開(kāi)發(fā)。
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP751;TN713
【圖文】：

ｓ＿ｉｉ邋■曑壚■{義賢跡玻沖澹蹈齔叨群停父齜較虻模牽幔猓錚蚵瞬ㄆ麇義賢ü柚茫簦停�，可覉A煌某叨群頭較虻模牽幔猓錚蛐〔ǎ跡玻掣雋隋澹靛義細(xì)霾煌叨群停父霾煌較虻模牽幔猓錚蚵瞬ㄆ魘疽饌�。从唾Z鋅梢鑰吹劍牽幔猓錚蚵隋義喜ㄆ髟誆煌姆較蚍從吵霾煌奈評(píng)硇畔ⅲ⒃誆煌某叨壬咸逑殖霾煌憒蔚膩義掀德市畔�。因此，酷ｂｅP蚵瞬ㄆ髟諤崛⊥枷竦奈評(píng)硨頭較蚓植刻卣魘本哂邢災(zāi)膩義嫌攀�，对后续的分锡e硎侗鵪鸕街匾饔謾＝淙臚枷窈停牽幔猓錚蚵瞬ㄆ髯鼉砘義匣岵簦聘齜低枷窈停簦聘魷轡煌枷�，因为幅值图像体现了图像的局部能辶x希保卞義

本文編號(hào)：2726562