基于深度学习的图像分类及其在高光谱图像中的应用研究

摘要

随着互联网技术的发展，图像识别分类技术已经广泛用于各个领域。深度学习网络的多层结构使其能够学习到图像更深层次的特征，提高图像识别和分类的准确性。本文研究了目前国内外公认的深度置信网（DBN）和卷积神经网络（CNN）两种深度学习方法的理论知识及其应用。
　　图像特征的提取是图像分类问题的关键，首先，本论文分析了现有的特征提取算法以及存在的问题，并与深度学习的方法做了对比分析，文章中详细的叙述了深度学习的发展过程和取得的成果，深入研究了人工神经网络(NN)、DBN和CNN三种网络的构建过程和训练方法，通过对比实验表明了深度学习的方法相对于传统神经网络在图像识别问题上的优势；其次，论文将DBN用于高光谱图像识别分类实验中，对高光谱数据进行了样本扩充、数据降维和重构输入三种数据预处理的操作，利用AE和PCA相结合的方法对数据进行降维，结合邻居样本进行数据重构以挖掘数据的空间相关性。将DBN的分类方法与其他方法进行对比实验分析，表明DBN能够取得比支持向量机等传统方案更好的分类结果，并且能够简化分类过程；最后，本文探究了CNN在自然场景图像分类问题中的性能和潜能，在基础的CNN模型上做出改进，包括对每层特征图的边缘扩充、卷积和下采样操作步长的调整、改变卷积窗口和采样窗口的大小、使用新的激活函数Relu、加入Dropout等操作，通过多组对比实验探究效果最好的CNN分类模型。并将CNN算法同其它算法在cifar-10数据集上的分类效果进行对比验证，分析了CNN在自然场景图像分类问题中的优劣。

目录

封面

声明

中文摘要

英文摘要

目录

注释表

第一章 绪论

1.1研究背景及意义

1.2深度学习研究现状

1.3论文主要内容及章节结构

第二章 深度学习理论基础

2.1传统神经网络模型

2.2深度置信网

2.3卷积神经网络

2.4实验结果和分析

2.5本章小结

第三章 基于DBN的高光谱遥感图像分类

3.1高光谱遥感图像的识别

3.2 DBN模型处理Salinas和PaviaU数据集

3.3实验结果和分析

3.4本章小结

第四章 卷积神经网络在自然场景图像分类中的性能研究

4.1 cifar-10图像库介绍

4.2 CNN相对于NN的优势

4.3卷积神经网络的构建

4.4实验结果与分析

4.5本章小结

第五章 总结与展望

5.1本文主要工作

5.2进一步工作展望

参考文献

致谢

在学期间的研究成果及发表的学术论文