基于深度学习的空谱联合高光谱图像分类算法及系统实现

摘要

高光谱遥感技术的快速发展，为农林业、环境监测、地质勘探等领域带来新的发展契机与挑战。少量监督样本下，高光谱图像的分类问题不仅仅对地物覆盖分析，精准农业和环境监测具有重要应用前景，由于涉及高维“空-谱合一”数据的处理和分析对机器学习和模式识别研究具有重要的理论意义。 本文围绕基于深度学习的高光谱图像监督分类展开深入研究，着重研究基于异构深度神经网络的特征级和决策级融合分类方法，以充分利用空-谱联合信息，提升少量监督样本下的分类性能和稳健性。 本文在系统回顾基于深度学习高光谱图像有监督分类算法的基础上，主要做了如下三方面工作: 1.提出了一种基于异构神经网络特征级融合的高光谱图像分类算法。该算法改进空-谱联合分类算法的空谱特征融合方式，利用光谱信息训练像素级全连接神经网络模型，提取深度光谱特征;另一方面利用深度卷积网络对空间信息及深度光谱特征进行特征级融合训练。该算法克服了在特征层面进行简单拼接再分类时带来的特征不兼容问题，实验结果表明，该算法在准确率上优于现有基于深度学习的特征拼接再分类的高光谱图像分类算法。 2.提出了一种基于异构神经网络的高光谱图像分类决策级融合算法。该算法分别利用高光谱图像光谱信息和空间信息训练一个卷积神经网络和像素级全连接神经网络模型。通过对两个不同结构模型的软概率分类图进行双边加权形式的决策级融合，进而实现空谱联合分类。相比以往单个神经网络分类算法，该分类器更加稳定、鲁棒;相比将空谱信息拼接再分类的方式，该算法并没有引入高维度数据。从分类结果上看，该算法在准确率上明显比以往算法有了进一步的提升。 3.设计了一个基于深度学习的高光谱图像分类系统，该系统包括高光谱图像可视化、图像分类、像元分析模块。能够实现对高光谱图像分类、统计、分析的功能。

目录

声明

摘要

1绪论

1．1研究背景及意义

1．2国内外研究现状

1．2．1高光谱图像分类算法研究现状

1．2．2深度学习研究现状

1．3高光谱图像特性

1．4高光谱图像分类的数据集及其评价方法

1．5论文结构

2基于深度学习的高光谱图像特征提取

2．1引言

2．2深度学习理论介绍

2．2．1 神经网络的前向传播

2．2．2 神经网络的误差反向传导

2．2．3 卷积神经网络

2．3基于光谱信息的高光谱图像深度特征提取算法

2．3．1 堆叠自编码机对光谱信息进行特征提取

2．3．2 卷积神经网络对光谱信息进行特征提取

2．4基于空间信息的高光谱图像深度特征提取算法

2．5本章小结

3异构神经网络空-谱特征级融合的高光谱图像分类算法

3．1引言

3．2深度学习特征可视化

3．2．1 深度学习特征可视化

3．2．2 深层特征与浅层特征比较

3．3基于深度学习的空谱联合高光谱图像分类算法

3．4基于异构神经网络的空谱联合高光谱图像分类算法

3．5实验结果及分析

3．5．1实验方案及步骤

3．5．2实验结果

3．6本章小结

4异构神经网络决策级融合的高光谱图像分类算法

4．1引言

4．2异构神经网络决策级融合高光谱图像分类算法

4．3软概率分类图的决策级融合方法

4．4实验环境及方案

4．5实验结果及分析

4．5．1 算法参数选择

4．5．2实验结果

4．6本章小结

5高光谱遥感图像分类系统实现

5．1引言

5．2开发环境

5．3系统模块介绍

5．3．1 系统流程图

5．3．2模块详细介绍

5．4系统测试

5．5系统演示

5．6本章小结

6总结与展望

致谢

参考文献

附录