隨著高光譜遙感成像技術的蓬勃發(fā)展,高光譜圖像的大量獲取促進了其被更廣泛的應用。高光譜圖像是由一維光譜特征和二維空間特征組合而成的三維數(shù)據(jù)立方體,其中,光譜特征包含了豐富的地物特性,而空間特征包含了詳細的地物空間分布情況,而高光譜圖像的分類研究是挖掘圖像豐富信息的主要方法之一。傳統(tǒng)高光譜圖像分類方法不僅對空間和光譜信息的利用率不高,而且特征提取的過程中經(jīng)常破壞信息之間的相關性,無法得到理想的分類結果。近年來,伴隨著深度學習的持續(xù)發(fā)展,越來越多的專家學者將其應用于高光譜遙感領域,并以此為基礎提出了多種高光譜圖像分類模型,例如卷積神經(jīng)網(wǎng)絡、深度信念網(wǎng)絡等。這些分類模型自動提取數(shù)據(jù)特征,減少人為的操作過程,同時也減小了特征提取過程中對信息的破壞程度,但是隨著網(wǎng)絡層數(shù)的不斷加深,在特征提取過程中出現(xiàn)了梯度消失或梯度爆炸的現(xiàn)象,導致過擬合問題的產(chǎn)生,直接影響了分類性能�；谏鲜鰡栴},本文提出了三種以殘差網(wǎng)絡（residual network,ResNet）為基礎的高光譜圖像分類模型,分別為借助二維卷積核（two dimensional convolution,2D）構成的二維殘差網(wǎng)絡（2D-Res... 

【文章來源】：青島科技大學山東省

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景與意義
    1.2 高光譜圖像簡介
        1.2.1 成像原理
        1.2.2 數(shù)據(jù)特點
        1.2.3 應用
    1.3 高光譜圖像信息挖掘
        1.3.1 分類研究
        1.3.2 目標檢測研究
    1.4 本文的研究目標及任務
        1.4.1 本文的研究目標
        1.4.2 本文的結構及主要任務
2 深度學習的相關理論研究
    2.1 人工神經(jīng)網(wǎng)絡
    2.2 深度學習的概念
    2.3 深度學習的發(fā)展
    2.4 深度學習的常用方法
    2.5 本章小結
3 高光譜圖像預處理及評價指標
    3.1 高光譜圖像預處理
        3.1.1 數(shù)據(jù)降維的方法
        3.1.2 圖像歸一化的操作
    3.2 評價指標
    3.3 本章小結
4 基于2D-RESNET的高光譜圖像分類研究
    4.1 Res Net概述
    4.2 Res Net結構簡介
        4.2.1 殘差單元
        4.2.2 卷積層
        4.2.3 批量歸一化
        4.2.4 激活函數(shù)
    4.3 基于2D-Res Net的高光譜圖像分類研究
    4.4 實驗
        4.4.1 實驗數(shù)據(jù)
        4.4.2 參數(shù)設置
        4.4.3 基于光譜特征信息的2D-Res Net高光譜圖像分類
        4.4.4 基于空間信息的2D-Res Net高光譜圖像分類
        4.4.5 基于融合空譜信息的2D-Res Net高光譜圖像分類
        4.4.6 實驗結果
    4.5 本章小結
5 基于3D-RESNET和虛擬樣本的高光譜圖像分類研究
    5.1 3D-Res Net概述
        5.1.1 三維卷積
        5.1.2 三維殘差塊
    5.2 基于3D-Res Net和虛擬樣本的高光譜圖像分類
        5.2.1 虛擬樣本
        5.2.2 參數(shù)調(diào)節(jié)
    5.3 實驗驗證
        5.3.1 數(shù)據(jù)集描述
        5.3.2 實驗流程
        5.3.3 參數(shù)設置
        5.3.4 SVM原理概述
        5.3.5 不同模型對比
        5.3.6 實驗結果
    5.4 本章小結
6 基于寬殘差網(wǎng)絡的高光譜圖像分類研究
    6.1 WRN概述
    6.2 基本網(wǎng)絡結構
    6.3 基于WRN的高光譜圖像分類研究
        6.3.1 網(wǎng)絡結構圖
        6.3.2 分類過程
        6.3.3 模型參數(shù)設置
    6.4 實驗驗證
        6.4.1 實驗結果
    6.5 本章小結
7 總結與展望
    7.1 總結
    7.2 展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文目錄


【參考文獻】：
期刊論文
[1]利用殘差密集網(wǎng)絡的高光譜圖像分類[J]. 魏祥坡,余旭初,譚熊,劉冰.  激光與光電子學進展. 2019(15)
[2]基于殘差三維卷積神經(jīng)網(wǎng)絡的高光譜遙感圖像分類[J]. 丁杰,陳蘇婷.  激光雜志. 2019(12)
[3]基于一種雙目視覺系統(tǒng)的運動目標跟蹤算法研究與應用[J]. 付強.  信息系統(tǒng)工程. 2016(03)
[4]行人檢測技術研究綜述[J]. 張春鳳,宋加濤,王萬良.  電視技術. 2014(03)
[5]基于支持向量機的目標檢測算法綜述[J]. 郭明瑋,趙宇宙,項俊平,張陳斌,陳宗海.  控制與決策. 2014(02)
[6]基于ORB特征的快速目標檢測算法[J]. 李小紅,謝成明,賈易臻,張國富.  電子測量與儀器學報. 2013(05)
[7]模糊分類在邛崍地區(qū)土地利用分類中的應用[J]. 胡運海,簡季,劉琰潔.  測繪. 2011(03)
[8]基于BP神經(jīng)網(wǎng)絡的森林樹種分類研究[J]. 李永亮,林輝,孫華,臧卓,王四喜.  中南林業(yè)科技大學學報. 2010(11)
[9]極端干旱區(qū)荒漠稀疏河岸林遙感分類研究[J]. 古麗·加帕爾,陳曦,馬忠國,常存.  中國沙漠. 2009(06)
[10]基于改進自組織競爭神經(jīng)網(wǎng)絡的高光譜圖像分類[J]. 趙春暉,劉凡.  應用科技. 2009(08)

博士論文
[1]基于稀疏低秩表示的高光譜圖像特征提取與分類[D]. 潘磊.西南交通大學 2019
[2]高光譜圖像的分類技術研究[D]. 何同弟.重慶大學 2014
[3]基于支持向量機的高光譜遙感影像分類研究[D]. 譚琨.中國礦業(yè)大學 2010
[4]基于光譜特性的高光譜圖像壓縮方法研究[D]. 陳雨時.哈爾濱工業(yè)大學 2007

碩士論文
[1]基于深度學習的高光譜圖像目標檢測算法研究[D]. 王聰聰.青島科技大學 2019
[2]基于深度學習的高光譜圖像分類[D]. 李詩卉.西安電子科技大學 2019
[3]基于Gabor特征的高光譜圖像空譜分類研究[D]. 關倩儀.華南理工大學 2019
[4]基于深度學習的高光譜圖像分類及參數(shù)設置研究[D]. 孫巧巧.青島科技大學 2018
[5]高光譜成像系統(tǒng)的設計與實驗研究[D]. 賈敏.電子科技大學 2018
[6]基于深度神經(jīng)網(wǎng)絡的遙感圖像半監(jiān)督學習方法研究[D]. 鐘健.沈陽航空航天大學 2018
[7]基于卷積神經(jīng)網(wǎng)的高光譜數(shù)據(jù)特征提取及分類技術研究[D]. 姜含露.哈爾濱工業(yè)大學 2016
[8]基本卷積神經(jīng)網(wǎng)絡的圖像去噪算法研究[D]. 任靜.西安電子科技大學 2015
[9]基于深度學習的圖像識別算法研究[D]. 豐曉霞.太原理工大學 2015
[10]基于光學相關識別的高光譜圖像目標檢測算法研究[D]. 張敏睿.西安電子科技大學 2011



本文編號：3164780