基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法研究.pdf

1、由于高光譜遙感技術(shù)的逐漸強大，遙感數(shù)據(jù)維度的不斷增加，為高光譜數(shù)據(jù)分析中主流的分類問題帶來挑戰(zhàn)。在面對高光譜數(shù)據(jù)多維度、相關(guān)性、非線性、數(shù)據(jù)量大的特點下，如何將在其他分類任務(wù)中取得成功的算法應(yīng)用到高光譜數(shù)據(jù)的分類中，變成了在高光譜遙感圖像數(shù)據(jù)分析領(lǐng)域中的重要問題。除此之外，隨著空間測量技術(shù)水平的提升，高光譜影像的空間分辨率越來越高，進(jìn)而使得圖片像元之間的相關(guān)性越來越高，給利用空間信息對高光譜數(shù)據(jù)進(jìn)行分類提供了可能。本課題嘗試將在圖像識別

2、、語言檢測等方面取得成功的卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用在高光譜圖像中，利用其能夠應(yīng)對非線性、網(wǎng)絡(luò)結(jié)構(gòu)簡單、可并行運算等能力去解決高光譜數(shù)據(jù)分類問題。
　　本課題首先對深度學(xué)習(xí)理論框架中的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究，探討了卷積神經(jīng)網(wǎng)絡(luò)的深度模型結(jié)構(gòu)，研究了支持卷積神經(jīng)網(wǎng)絡(luò)的Caffe平臺，利用自然圖像集對卷積分類實現(xiàn)平臺進(jìn)行了驗證，并分析了該分類模型對高光譜地物信息進(jìn)行分類的可能性。
　　在卷積神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上，以譜信息為分類依據(jù)，研

3、究了基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法，由于卷積神經(jīng)網(wǎng)絡(luò)的輸入是圖像，提出了兩種譜信息變換成圖像的方法。一種將譜信息轉(zhuǎn)換為灰度圖，利用卷積網(wǎng)絡(luò)學(xué)習(xí)高光譜數(shù)據(jù)譜段間的變化紋理特征對數(shù)據(jù)進(jìn)行分類；一種將譜信息轉(zhuǎn)換為波形圖，利用卷積網(wǎng)絡(luò)學(xué)習(xí)高光譜數(shù)據(jù)譜段間波動特征對其進(jìn)行分類。巧妙地利用了在圖像分類方面取得了顯著性成果的深度學(xué)習(xí)思想對高光譜遙感圖像的像元進(jìn)行分類。實驗表明，這兩種方法對分類任務(wù)中的樣本種類數(shù)量比較敏感，在樣本種類比較多的數(shù)據(jù)

4、集上的分類結(jié)果優(yōu)于基于PCA降維的高斯核支持向量機方法，在某些種類比較少的數(shù)據(jù)集上的分類結(jié)果全面優(yōu)于當(dāng)前主流的基于SVM和其他深度模型分類方法。證明了用卷積神經(jīng)網(wǎng)絡(luò)對高光譜數(shù)據(jù)分類具有可行性，并為提出更有效的模型和算法提供了一種新的方向。
　　此外，為充分利用高光譜感知所提供的空間信息，同樣基于卷積神經(jīng)網(wǎng)絡(luò)的灰度圖和波形圖研究了兩種基于空譜聯(lián)合的高光譜數(shù)據(jù)分類方法。實驗證明，在加入了空間信息以后，利用卷積神經(jīng)網(wǎng)絡(luò)對高光譜數(shù)據(jù)分類的