基于深度学习和空谱联合的高光谱影像分类

发布时间：2025-05-13 00:26

　　高光谱成像技术在过去的四十年中经历了从相关资料匮乏到被广泛研究甚至在一些领域商用的过程。高光谱影像具有丰富的光谱曲线,传统的高光谱影像分类主要利用的是光谱信息,分类效果不是很理想。随着成像技术的发展,高光谱影像的空间分辨率也逐渐提高,空间信息和光谱信息相结合的方法受到越来越多学者的青睐。然而,提取空间信息的方法千差万别,而且有标记样本少、标记成本高,那么如何高效提取特征、扩增样本集一直是研究的关键。近年来,随着人工智能的兴起,深度学习技术逐渐进入人们的视野。深度学习最早兴起于图像识别,但是在短短的几年时间内,深度学习推广到了机器学习的各个领域。如今,深度学习在很多机器学习领域都有着非常出众的表现。本文利用深度学习在特征提取上的优势,将深度学习应用到高光谱影像的分类任务中,主要贡献为:针对深度网络训练难度高、特征使用效率低这一问题,提出了一种基于Clique Net网络的高光谱影像分类方法。该Clique Net网络模型通过跳跃连接机制实现不同层之间信息流传递的最大化,将来自高层的视觉信息带回来改进低级滤波器从而实现空间关注,选择性的加强具有重要信息量的特征。该方法采用主成分分析法先对高光...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文的主要研究内容
第二章 高光谱影像分类方法
    2.1 高光谱图像的特点
    2.2 高光谱图像分类方法
    2.3 高光谱图像分类方法的性能指标
    2.4 高光谱图像的分类数据集
第三章 基于Clique Net的高光谱影像分类
    3.1 深度神经网络的残差路径和密集连接网络
        3.1.1 残差路径
        3.1.2 密集连接网络
    3.2 Clique Net架构
        3.2.1 clique派系块
        3.2.2 不同阶段的特征
    3.3 多尺度特征策略
        3.3.1 注意力转移机制
        3.3.2 压缩和瓶颈
    3.4 基于Clique Net的高光谱影像分类
    3.5 实验结果与分析
        3.5.1 实验参数设置
        3.5.2 实验结果与分析
    3.6 本章小结
第四章 基于特征融合和生成式对抗网络的高光谱影像分类
    4.1 生成式对抗网络介绍
        4.1.1 生成式模型
        4.1.2 生成式对抗网络
    4.2 空间信息的特征提取
        4.2.1 扩展形态学特征(EMP)
        4.2.2 线性多尺度空间特征
        4.2.3 局部不变性特征
    4.3 基于特征融合和生成式对抗网络的高光谱影像分类
        4.3.1 生成式对抗网络高光谱影像分类
        4.3.2 生成式对抗网络分类模型的训练过程
    4.4 实验结果分析
        4.4.1 实验相关参数设置
        4.4.2 实验结果与分析
    4.5 本章小结
第五章 基于Decoupled Networks解耦网络和主动学习的高光谱影像分类
    5.1 解耦网络
        5.1.1 解耦网络的介绍
        5.1.2 解耦重构卷积
        5.1.3 解耦卷积算子
        5.1.4 解耦算子的属性
        5.1.5 角度函数的设计
    5.2 主动学习
    5.3 基于decoupled networks解耦网络和主动学习的高光谱图像分类方法
    5.4 实验结果与分析
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
作者简介



本文编号：4045458