【摘要】：隨著遙感技術(shù)和高光譜測量手段的不斷發(fā)展,高光譜遙感影像分類方法成為研究的熱點問題之一。傳統(tǒng)的特征提取和分類器的框架,采用人工提取特征往往不夠全面,無法充分利用高光譜影像自身空間和光譜信息。結(jié)合當下廣泛流行的深度學習技術(shù)方法,本文從高光譜影像數(shù)據(jù)特點出發(fā),使用3D-CNN充分提取空間光譜聯(lián)合特征,自適應(yīng)提取特征而無需人工設(shè)計特征,實現(xiàn)端到端的模型。在精度和速度等多方面相較于現(xiàn)有的處理高光譜影像的模型有較大的提升,主要研究內(nèi)容和成果包括下面四個方面:1)實現(xiàn)了基于3D-CNN的空譜信息聯(lián)合高光譜影像分類方法�；�3D-CNN結(jié)構(gòu),利用高光譜遙感影像數(shù)據(jù)立方體的特性,實現(xiàn)光譜和空間信息充分融合,從而提取出在分類中重要的有判別力的特征。該網(wǎng)絡(luò)結(jié)構(gòu)既考慮高光譜遙感影像標簽數(shù)據(jù)缺乏的問題,也考慮高光譜影像高維特性和模型深度之間的平衡問題,充分利用空譜聯(lián)合提供的語義信息。2)實現(xiàn)了基于3D-CNN和密集連接結(jié)構(gòu)的3D-DenseNet的高光譜影像分類方法。3D-DenseNet通過密集連接結(jié)構(gòu),加強特征傳輸,鼓勵特征復用,促進網(wǎng)絡(luò)信息流動。結(jié)合3D-CNN和密集連接的優(yōu)良特性,實現(xiàn)空譜特征的深度提取。3)實現(xiàn)了引入注意力機制的3D-SE-DenseNet的高光譜影像分類方法。針對高光譜數(shù)據(jù)存在的稀疏特性,在空間上樣本分布不均,在光譜維度上存在大量高維冗余信息,因此引入Squeeze-and-Excitation模塊(SE模塊),對不同通道間的卷積特征圖進行關(guān)聯(lián),加速深度模型對地物類型的理解,有效的控制了參數(shù)總量,提升了分類精度,特別是面對小樣本數(shù)據(jù)時非常有效。4)實現(xiàn)了基于特征聚合方式的深度特征聚合網(wǎng)絡(luò)的高光譜影像分類方法。從聚合視圖角度出發(fā),結(jié)合殘差結(jié)構(gòu)和密集連接結(jié)構(gòu)以及特征融合機制,使網(wǎng)絡(luò)能夠更深的傳遞,從而提取深度特征,在面對不同高光譜數(shù)據(jù)的特征時,可以設(shè)計不同的聚合方式,為高光譜影像分類提供了很好的思路。
【圖文】：

本文引入了印第安納松樹林測試區(qū)圖（Ind大學的城區(qū)圖（PaviaUniversity）這兩個最具代表性的 Pines 數(shù)據(jù)集es 數(shù)據(jù)集是 1992 年 6 月由 AVIRIS 光譜成像儀在美國納松樹林實驗區(qū)收集而成數(shù)據(jù)。圖像的大小為 145×145，共有 224 個光譜反射波段，在 0.4～2.5 μm 的波長范其中 20 個水汽吸收和低信噪比波段([104-108]，，[1500 個波段進行實驗。數(shù)據(jù)集有 16 個地物類別，其中包，三分之一的森林以及其他自然多年生植被，有兩條主條鐵路線，以及一些低密度住房，其他建筑結(jié)構(gòu)和較小現(xiàn)場 6 月采取的一些作物，玉米，大豆，處于生長的早該數(shù)據(jù)集的偽彩圖和樣本空間分布標簽如圖 1.1 所示本數(shù)如表 1.1 所示。

.2 Pavia University 數(shù)據(jù)集的偽彩圖和樣本空間分布標簽lse color images and ground-truth labels on Pavia Universit 1.2 Pavia University 數(shù)據(jù)集上各類地物及分配樣本數(shù)es of objects and the number of assigned samples on Pavia 顏色 地物類別 樣本數(shù)瀝青 6631草甸 18649礫石 2099樹木 3064金屬板 1345裸土 5029柏油 1330磚 3682陰影 947樣本總數(shù) 42776
【學位授予單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：P237

【參考文獻】

相關(guān)期刊論文 前6條

1 楊可明;劉士文;王林偉;楊潔;孫陽陽;何丹丹;;光譜最小信息熵的高光譜影像端元提取算法[J];光譜學與光譜分析;2014年08期

2 尹凡;劉燕;董晶晶;盧長明;徐海根;;基于冠層實測光譜的油菜品種識別[J];湖北農(nóng)業(yè)科學;2013年23期

3 何明一;暢文娟;梅少輝;;高光譜遙感數(shù)據(jù)特征挖掘技術(shù)研究進展[J];航天返回與遙感;2013年01期

4 張兵;;智能遙感衛(wèi)星系統(tǒng)[J];遙感學報;2011年03期

5 羅音,舒寧;基于信息量確定遙感圖像主要波段的方法[J];城市勘測;2002年04期

6 劉建平,趙英時,孫淑玲;高光譜遙感數(shù)據(jù)最佳波段選擇方法試驗研究[J];遙感信息;2001年01期

相關(guān)博士學位論文 前1條

1 高陽;高光譜數(shù)據(jù)降維算法研究[D];中國礦業(yè)大學;2013年

本文編號：2699887