在眾多的高光譜圖像研究領域當中,高光譜圖像分類（Hyperspectral Image Classification）是其中的一個相對比較重要的研究學科。高光譜圖像分類的主要目的是對某一高光譜圖像中感興趣的地物類別進行準確且高效的劃分。隨著當前遙感技術的進步,高光譜圖像分類在現(xiàn)實的技術生產(chǎn)生活中得到了廣泛的應用。例如我們通常所熟知的土地資源調(diào)查、自然災害的探查以及醫(yī)療衛(wèi)生領域等。這一廣泛應用的基礎是人類能夠更加容易的獲取到光譜分辨率達到納米級別的高光譜圖像。當然,隨著遙感技術和光譜分辨率的進一步提高,人類對與實際應用場景下的特定地物類別的分類要求也變得越來越高。但是由于高光譜圖像自身存在的一些缺點,例如豐富的光譜信息造成的數(shù)據(jù)樣本高維度以及獲取的大量數(shù)據(jù)樣本并沒有得到很好的數(shù)據(jù)標定造成可用標記樣本有限等問題,使得目前在該領域的地物分類研究當中仍舊面臨著不少挑戰(zhàn)。隨著近幾年深度學習算法的興起,越來越多的相應算法也被在該領域研究使用。雖然深度學習在機器視覺領域取得了長足的發(fā)展,但是直接應用在高光譜圖像領域也還是存在一些問題。例如,沒有足夠的訓練樣本使得模型很容易變得過擬合,參數(shù)調(diào)參繁瑣等。... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究的背景和意義
    1.2 高光譜圖像數(shù)據(jù)的特點
    1.3 高光譜圖像分類技術
    1.4 論文主要內(nèi)容及結(jié)構安排
第二章 基于深度度量學習的高光譜圖像分類
    2.1 深度學習的介紹
    2.2 度量學習的介紹
        2.2.1 度量學習的定義
        2.2.2 度量學習的分類
    2.3 基于深度度量學習的高光譜圖像分類
    2.4 實驗結(jié)果和分析
        2.4.1 實驗數(shù)據(jù)介紹
        2.4.2 分類結(jié)果分析
        2.4.3 實驗參數(shù)分析
    2.5 本章小結(jié)
第三章 基于多尺度深度極限學習機的高光譜圖像分類
    3.1 極限學習機
        3.1.1 單隱含層的前饋型神經(jīng)網(wǎng)絡
        3.1.2 極限學習機
    3.2 多尺度深度極限學習機的高光譜圖像分類
        3.2.1 模型的訓練階段
        3.2.2 模型的測試階段
    3.3 實驗結(jié)果和分析
        3.3.1 實驗數(shù)據(jù)說明
        3.3.2 高光譜圖像分類實驗
        3.3.3 實驗參數(shù)分析
    3.4 本章小結(jié)
第四章 基于隨機卷積的U型網(wǎng)絡的高光譜圖像分類
    4.1 隨機投影
    4.2 基于隨機卷積的U型網(wǎng)絡的高光譜圖像分類
    4.3 實驗結(jié)果和分析
        4.3.1 數(shù)據(jù)集介紹
        4.3.2 實驗結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文的主要工作內(nèi)容總結(jié)
    5.2 接下來的工作
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]環(huán)境污染監(jiān)測中的植物光譜效應研究[J]. 遲光宇,劉新會,劉素紅,楊志峰.  環(huán)境科學與技術. 2005(S1)
[2]農(nóng)業(yè)高光譜遙感研究的現(xiàn)狀與發(fā)展趨勢[J]. 唐延林,黃敬峰.  遙感技術與應用. 2001(04)

博士論文
[1]高光譜遙感影像稀疏圖嵌入分類研究[D]. 薛朝輝.南京大學 2015
[2]基于PLS模型的農(nóng)業(yè)土壤成分高光譜遙感反演研究[D]. 張婷婷.吉林大學 2010
[3]遙感影像的高光譜特征研究[D]. 儲美華.山東科技大學 2007

碩士論文
[1]高光譜遙感場景成像模型研究[D]. 陳東來.哈爾濱工業(yè)大學 2009
[2]基于高分辨率遙感影像的城市環(huán)境結(jié)構信息提取研究[D]. 張春鵬.華東師范大學 2007



本文編號：3501272