發(fā)布時(shí)間：2021-03-05 03:12

　　隨著遙感成像技術(shù)的飛速發(fā)展,高光譜傳感器能夠獲取到包含著成百上千條譜帶與龐大空間信息的高光譜圖像（Hyperspectral Image,HSI）,它的出現(xiàn)也為我們開辟了一個(gè)新的研究領(lǐng)域――高光譜圖像分類。該方法是一種基于像素點(diǎn)的分類方法,主要利用像素點(diǎn)所攜帶的高維光譜信息,訓(xùn)練分類器對(duì)整幅高光譜圖像中的像素點(diǎn)進(jìn)行類別標(biāo)定。目前,高光譜圖像分類已經(jīng)被廣泛應(yīng)用于精細(xì)農(nóng)業(yè),地質(zhì)勘測(cè)與環(huán)境科學(xué)等眾多領(lǐng)域之中。傳統(tǒng)的高光譜圖像分類方法通常使用一個(gè)淺層分類模型,對(duì)圖像中的像素點(diǎn)進(jìn)行類別標(biāo)定。然而,淺層模型中手動(dòng)設(shè)計(jì)的低階特征與分類器參數(shù)對(duì)于輸入數(shù)據(jù)的局部變化非常敏感,會(huì)嚴(yán)重影響分類精度的提升。深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network,DNN）相比于淺層方法,能夠自動(dòng)學(xué)習(xí)出輸入數(shù)據(jù)魯棒性更好的高階抽象特征,目前已經(jīng)在高光譜分類領(lǐng)域引起了廣泛的關(guān)注。然而,現(xiàn)有的基于深度神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法無法充分利用圖像中的光譜與空間信息,并且只能夠針對(duì)特定的圖像進(jìn)行訓(xùn)練和測(cè)試。構(gòu)建一個(gè)有效的深度神經(jīng)網(wǎng)絡(luò)依賴于大量帶類標(biāo)樣本,但是對(duì)高光譜圖像進(jìn)行大量的樣本標(biāo)定費(fèi)時(shí)費(fèi)力。針對(duì)以上的問題,論文首先提... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 遷移學(xué)習(xí)方法
    1.4 研究?jī)?nèi)容及章節(jié)安排
第二章 基礎(chǔ)理論
    2.1 引言
    2.2 擴(kuò)展形態(tài)學(xué)屬性剖面特征提取方法
    2.3 棧式稀疏自動(dòng)編碼器
        2.3.1 稀疏自動(dòng)編碼器
        2.3.2 棧式稀疏自動(dòng)編碼器
    2.4 主動(dòng)學(xué)習(xí)方法
        2.4.1 邊緣采樣策略
        2.4.2 多類別不確定性策略
        2.4.3 基于“委員會(huì)”策略
    2.5 本章小結(jié)
第三章 基于多特征融合與主動(dòng)遷移一體化網(wǎng)絡(luò)的高光譜圖像分類方法
    3.1 引言
    3.2 深度多特征融合與分類網(wǎng)絡(luò)
        3.2.1 深度光譜特征提取網(wǎng)絡(luò)
        3.2.2 深度空間特征提取網(wǎng)絡(luò)
        3.2.3 深度光譜-空間特征融合與分類網(wǎng)絡(luò)
    3.3 基于深度多特征融合與分類網(wǎng)絡(luò)的主動(dòng)學(xué)習(xí)策略
    3.4 主動(dòng)特征與樣本遷移算法
        3.4.1 基于遙感圖像分類的遷移算法
        3.4.2 主動(dòng)特征與樣本遷移算法實(shí)現(xiàn)流程
    3.5 實(shí)驗(yàn)結(jié)果分析
        3.5.1 高光譜圖像分類性能評(píng)價(jià)指標(biāo)
        3.5.2 數(shù)據(jù)庫與實(shí)驗(yàn)設(shè)置介紹
        3.5.3 深度多特征融合與分類網(wǎng)絡(luò)性能分析
        3.5.4 基于深度多特征融合與分類網(wǎng)絡(luò)的主動(dòng)學(xué)習(xí)策略性能分析
        3.5.5 主動(dòng)特征與樣本遷移算法性能分析
    3.6 本章小結(jié)
第四章 基于無監(jiān)督深度特征遷移網(wǎng)絡(luò)的高光譜圖像分類方法
    4.1 引言
    4.2 K-means聚類方法
        4.2.1 算法原理
        4.2.2 算法流程
    4.3 無監(jiān)督深度特征遷移算法
    4.4 實(shí)驗(yàn)結(jié)果分析
        4.4.1 數(shù)據(jù)庫與實(shí)驗(yàn)設(shè)置
        4.4.2 實(shí)驗(yàn)結(jié)果展示
        4.4.3 對(duì)比實(shí)驗(yàn)設(shè)置與結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3064472