發(fā)布時(shí)間：2020-04-07 17:34

【摘要】：高光譜圖像擁有豐富的空間信息和廣泛的譜段信息,一些地面目標(biāo)在寬波段遙感圖像中不能被辨別,卻可以通過(guò)具有廣泛譜段信息的高光譜圖像正確識(shí)別,正因?yàn)楦吖庾V圖像的此類優(yōu)點(diǎn),其可以廣泛應(yīng)用于礦產(chǎn)勘探、農(nóng)業(yè)規(guī)劃、地質(zhì)勘測(cè)以及災(zāi)害預(yù)警等領(lǐng)域。基于高光譜的空間信息與光譜信息優(yōu)勢(shì),高光譜圖像表現(xiàn)出其光譜維數(shù)眾多、各個(gè)譜段相關(guān)性較強(qiáng)、高光譜數(shù)據(jù)量大并且人工標(biāo)記好的樣本數(shù)量往往比較少,毫無(wú)疑問(wèn)導(dǎo)致了處理高光譜圖像識(shí)別任務(wù)時(shí)的困難性。目前卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的代表性方法在高光譜圖像分類中廣泛得到應(yīng)用。然而,卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)(如卷積核數(shù)量,卷積核尺寸)以及網(wǎng)絡(luò)結(jié)構(gòu)需要根據(jù)經(jīng)驗(yàn)設(shè)定,導(dǎo)致其常與實(shí)際問(wèn)題不匹配從而影響了分類精度。此外,由于網(wǎng)絡(luò)模型參數(shù)較多(特別是當(dāng)網(wǎng)絡(luò)層數(shù)較深時(shí)),使得模型訓(xùn)練需要耗費(fèi)大量的時(shí)間。本文針對(duì)上述問(wèn)題,重點(diǎn)研究卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)和結(jié)構(gòu)的自適應(yīng)確定方法,從而提高高光譜圖像分類的精度與時(shí)效性。本文完成的主要內(nèi)容和創(chuàng)新工作如下:(1)現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)卷積核數(shù)量常經(jīng)驗(yàn)確定,難以與任務(wù)相匹配,影響了應(yīng)用時(shí)的分類精度。針對(duì)這一問(wèn)題,本文提出了一種自適應(yīng)確定卷積核數(shù)量的高光譜圖像卷積神經(jīng)網(wǎng)絡(luò)分類方法。首先提出了一種基于聚類的卷積核數(shù)量自適應(yīng)確定方法,從選取的圖像塊中可以自適應(yīng)確定卷積核數(shù)量;并針對(duì)卷積核確定不準(zhǔn)確問(wèn)題,又提出了一種基于圖像塊相似性與密度聯(lián)合度量的卷積核生成算法,提高了卷積核的準(zhǔn)確度。在Indian Pines和Pavia University高光譜數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明,相比經(jīng)驗(yàn)確定卷積核數(shù)量的卷積神經(jīng)網(wǎng)絡(luò)方法,本文所提方法具有較高的高光譜圖像分類精度。(2)現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)卷積核尺寸常常人工確定,難以與數(shù)據(jù)復(fù)雜度相適應(yīng),降低了分類精度。針對(duì)這一問(wèn)題,本文提出了一種自適應(yīng)確定卷積核尺寸的高光譜圖像卷積神經(jīng)網(wǎng)絡(luò)分類方法。該方法首先提出了一種基于重加權(quán)距離測(cè)度的卷積核尺寸自適應(yīng)確定方法,可自動(dòng)確定卷積核尺寸;并通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí),對(duì)高光譜圖像進(jìn)行了分類,提高了分類精度。通過(guò)不同高光譜圖像公共數(shù)據(jù)集上的實(shí)驗(yàn),驗(yàn)證了本文所提方法較經(jīng)驗(yàn)選擇卷積核尺寸的卷積神經(jīng)網(wǎng)絡(luò)方法,具有優(yōu)越性。(3)現(xiàn)有經(jīng)驗(yàn)設(shè)定的卷積神經(jīng)網(wǎng)絡(luò)卷積層數(shù)量與分類問(wèn)題復(fù)雜度不符,導(dǎo)致網(wǎng)絡(luò)分類效果下降。針對(duì)這一問(wèn)題,本文提出了基于網(wǎng)絡(luò)結(jié)構(gòu)自適應(yīng)的高光譜圖像卷積神經(jīng)網(wǎng)絡(luò)分類方法。該方法基于遺傳算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)量和連接方式,從而構(gòu)成與問(wèn)題復(fù)雜度相符的網(wǎng)絡(luò)結(jié)構(gòu),提高了網(wǎng)絡(luò)的分類精度。在Indian Pines和Pavia University高光譜圖像公共數(shù)據(jù)集中的分類效果表明,本文提出方法取得了較高的高光譜圖像分類準(zhǔn)確率。(4)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中,容易出現(xiàn)“梯度消失”,影響網(wǎng)絡(luò)收斂速度。針對(duì)這一問(wèn)題,本文提出了一種基于神經(jīng)元激活約束的高光譜圖像卷積神經(jīng)網(wǎng)絡(luò)分類方法,可加速網(wǎng)絡(luò)收斂。該方法提出將神經(jīng)元激活約束應(yīng)用于網(wǎng)絡(luò)訓(xùn)練過(guò)程中,較好解決了誤差反向傳播時(shí)的“梯度消失”問(wèn)題,提高了網(wǎng)絡(luò)的收斂速度。在不同高光譜圖像公開數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文所提方法具有較快的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度;通過(guò)不同非高光譜圖像分類數(shù)據(jù)中的實(shí)驗(yàn)結(jié)果,驗(yàn)證了本文提出方法在不同網(wǎng)絡(luò)模型中的有效性。
【圖文】：

高光譜圖像的空間維與光譜維信息表示3

活約束的高光譜圖像 CNN 分類方法，并詳細(xì)敘述了該方法的步驟；最后，通過(guò)大量實(shí)驗(yàn)證明了提出方法在高光譜圖像分類任務(wù)和不同非高光譜圖像數(shù)據(jù)集上的有效性以及相比傳統(tǒng)訓(xùn)練算法在訓(xùn)練速度方面的優(yōu)越性。第六章，總結(jié)與展望。總結(jié)論文的主要工作與下一步的研究方向。
【學(xué)位授予單位】：西北工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP751;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測(cè)觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測(cè)中的應(yīng)用進(jìn)展[J];北京農(nóng)業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應(yīng)用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國(guó);馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J];食品研究與開發(fā);2013年10期

5 劉遵雄;蔣中慧;任行樂(lè);;基于核方法協(xié)同表示的高光譜圖像分類[J];廣西大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年05期

6 葉珍;白t，

本文編號(hào)：2618185