基于深度特征编码的高光谱图像分类

摘要

随着高光谱图像数据的应用越来越广泛，其分类问题一直是高光谱图像研究的重点和难点。
　　首先，本文分析了高光谱图像数据的特性，阐述了当前高光谱图像分类算法的研究方法和科研进展，并对几类常见的分类算法进行了文献综述，介绍了相关研究背景和研究的意义。接着总结了当前高光谱图像预维数约简的一些方法，并给出了评价分类算法性能的指标分类精度和Kappa系数的定义。
　　其次，介绍了神经网络分类器，并给出了深度学习算法框架下的栈式自编码算法的理论基础和模型构建。在此基础上，针对高光谱图像数据内部独有的结构与潜在的模式，构建了基于深度特征编码的深度学习分类算法。更进一步，结合支持向量机算法，建立了基于深度特征编码的支持向量机分类算法。
　　再次，在Pavia、KSC高光谱数据库中，对文中建立的模型进行了数值验证，对文中提出的基于深度特征编码的深度学习分类算法(DFE)和基于深度特征编码的支持向量机分类算法(DFE+SVM)与支持向量机分类和栈式自编码算法进行了比较，文中提出的算法分类精度在 Pavia、KSC数据库中均有优异的表现，得到分类精度(96.1％，96.5%；93%，92.3%，Pavia)和kappa系数(95.6%，96.1%，KSC；93%，91.8%，Pavia)，高出支持向量机和栈式自编码算法3%左右。
　　在对算法的一些参数进行了深入分析之后发现，算法的分类精度和 kappa系数随着隐藏层单元数目的不同发生变化，数目为60的时候分类效果最好。随着网络训练参数epochs的增加，分类精度和kappa系数越高。而训练样本比例较小的时候，其对分类精度和kappa系数的影响大，比例越大，分类精度和kappa系数越高，可达到97.3%(Pavia)。
　　最后，对文中所做工作进行了总结，提出了进一步的展望。

目录

封面

声明

中文摘要

英文摘要

目录

1.绪论

1.1课题研究背景和意义

1.2高光谱图像数据维数约减

1.3高光谱图像分类性能分析与评价

1.4论文研究内容和组织结构

2.高光谱图像分类研究概况

2.1基于特征空间距离的高光谱图像分类

2.2统计学习理论框架下的高光谱图像分类

2.3基于稀疏性的高光谱图像分类

2.4深度学习研究概况

3.基于深度编码的高光谱图像分类

3.1神经网络模型

3.2基于栈式自编码算法的分类

3.3基于深度特征编码的分类

3.4基于深度特征编码的SVM分类

4.高光谱分类数值实验

4.1高光谱图像数据

4.2数值实验

5.结论

致谢

参考文献