【摘要】：高光譜圖像擁有豐富的空間信息和廣泛的譜段信息,一些地面目標在寬波段遙感圖像中不能被辨別,卻可以通過具有廣泛譜段信息的高光譜圖像正確識別,正因為高光譜圖像的此類優(yōu)點,其可以廣泛應用于礦產勘探、農業(yè)規(guī)劃、地質勘測以及災害預警等領域�；诟吖庾V的空間信息與光譜信息優(yōu)勢,高光譜圖像表現(xiàn)出其光譜維數(shù)眾多、各個譜段相關性較強、高光譜數(shù)據(jù)量大并且人工標記好的樣本數(shù)量往往比較少,毫無疑問導致了處理高光譜圖像識別任務時的困難性。目前卷積神經網(wǎng)絡作為深度學習的代表性方法在高光譜圖像分類中廣泛得到應用。然而,卷積神經網(wǎng)絡的超參數(shù)(如卷積核數(shù)量,卷積核尺寸)以及網(wǎng)絡結構需要根據(jù)經驗設定,導致其常與實際問題不匹配從而影響了分類精度。此外,由于網(wǎng)絡模型參數(shù)較多(特別是當網(wǎng)絡層數(shù)較深時),使得模型訓練需要耗費大量的時間。本文針對上述問題,重點研究卷積神經網(wǎng)絡的超參數(shù)和結構的自適應確定方法,從而提高高光譜圖像分類的精度與時效性。本文完成的主要內容和創(chuàng)新工作如下:(1)現(xiàn)有卷積神經網(wǎng)絡卷積核數(shù)量常經驗確定,難以與任務相匹配,影響了應用時的分類精度。針對這一問題,本文提出了一種自適應確定卷積核數(shù)量的高光譜圖像卷積神經網(wǎng)絡分類方法。首先提出了一種基于聚類的卷積核數(shù)量自適應確定方法,從選取的圖像塊中可以自適應確定卷積核數(shù)量;并針對卷積核確定不準確問題,又提出了一種基于圖像塊相似性與密度聯(lián)合度量的卷積核生成算法,提高了卷積核的準確度。在Indian Pines和Pavia University高光譜數(shù)據(jù)上的實驗結果表明,相比經驗確定卷積核數(shù)量的卷積神經網(wǎng)絡方法,本文所提方法具有較高的高光譜圖像分類精度。(2)現(xiàn)有卷積神經網(wǎng)絡卷積核尺寸常常人工確定,難以與數(shù)據(jù)復雜度相適應,降低了分類精度。針對這一問題,本文提出了一種自適應確定卷積核尺寸的高光譜圖像卷積神經網(wǎng)絡分類方法。該方法首先提出了一種基于重加權距離測度的卷積核尺寸自適應確定方法,可自動確定卷積核尺寸;并通過卷積神經網(wǎng)絡的訓練學習,對高光譜圖像進行了分類,提高了分類精度。通過不同高光譜圖像公共數(shù)據(jù)集上的實驗,驗證了本文所提方法較經驗選擇卷積核尺寸的卷積神經網(wǎng)絡方法,具有優(yōu)越性。(3)現(xiàn)有經驗設定的卷積神經網(wǎng)絡卷積層數(shù)量與分類問題復雜度不符,導致網(wǎng)絡分類效果下降。針對這一問題,本文提出了基于網(wǎng)絡結構自適應的高光譜圖像卷積神經網(wǎng)絡分類方法。該方法基于遺傳算法優(yōu)化卷積神經網(wǎng)絡的卷積層數(shù)量和連接方式,從而構成與問題復雜度相符的網(wǎng)絡結構,提高了網(wǎng)絡的分類精度。在Indian Pines和Pavia University高光譜圖像公共數(shù)據(jù)集中的分類效果表明,本文提出方法取得了較高的高光譜圖像分類準確率。(4)卷積神經網(wǎng)絡訓練過程中,容易出現(xiàn)“梯度消失”,影響網(wǎng)絡收斂速度。針對這一問題,本文提出了一種基于神經元激活約束的高光譜圖像卷積神經網(wǎng)絡分類方法,可加速網(wǎng)絡收斂。該方法提出將神經元激活約束應用于網(wǎng)絡訓練過程中,較好解決了誤差反向傳播時的“梯度消失”問題,提高了網(wǎng)絡的收斂速度。在不同高光譜圖像公開數(shù)據(jù)集上的實驗結果表明,本文所提方法具有較快的卷積神經網(wǎng)絡訓練速度;通過不同非高光譜圖像分類數(shù)據(jù)中的實驗結果,驗證了本文提出方法在不同網(wǎng)絡模型中的有效性。
【圖文】：

高光譜圖像的空間維與光譜維信息表示3

活約束的高光譜圖像 CNN 分類方法，并詳細敘述了該方法的步驟；最后，通過大量實驗證明了提出方法在高光譜圖像分類任務和不同非高光譜圖像數(shù)據(jù)集上的有效性以及相比傳統(tǒng)訓練算法在訓練速度方面的優(yōu)越性。第六章，總結與展望�？偨Y論文的主要工作與下一步的研究方向。
【學位授予單位】：西北工業(yè)大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP751;TP183

【相似文獻】

相關期刊論文 前10條

1 王斌;;基于高光譜圖像技術的水果表面農藥殘留檢測觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術在農產品監(jiān)測中的應用進展[J];北京農業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術的應用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國;馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術在水果品質檢測中的研究進展[J];食品研究與開發(fā);2013年10期

5 劉遵雄;蔣中慧;任行樂;;基于核方法協(xié)同表示的高光譜圖像分類[J];廣西大學學報(自然科學版);2019年05期

6 葉珍;白t，

本文編號：2618185