版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、在過去的二十年里,高光譜遙感技術(shù)有著突飛猛進(jìn)的發(fā)展,已經(jīng)成為一種前沿技術(shù)。高光譜遙感技術(shù)實(shí)現(xiàn)了對地球表面的目標(biāo)檢測與分類,并且在許多領(lǐng)域有廣泛的應(yīng)用,如環(huán)境管理、農(nóng)業(yè)、社會安全和軍事防御以及礦物探測。其中,高光譜圖像分類是高光譜遙感技術(shù)的一個重要的應(yīng)用,而特征學(xué)習(xí)又是改善分類性能的一個重要的方法。高光譜特征學(xué)習(xí)面臨著獲取類標(biāo)困難、波段維數(shù)高的這些問題,因此,解決這些問題是特征學(xué)習(xí)的一個熱點(diǎn)。
目前,深度學(xué)習(xí)作為特征學(xué)習(xí)的一種重
2、要方法之一,已經(jīng)被廣泛應(yīng)用于許多領(lǐng)域。其中,在高光譜領(lǐng)域中,深度學(xué)習(xí)還比較少地被應(yīng)用。本文就是利用深度學(xué)習(xí)中一種遞歸的方法進(jìn)行特征學(xué)習(xí),該方法是一種無監(jiān)督的方法,克服了獲取類標(biāo)難的困難。最后利用學(xué)習(xí)到的特征進(jìn)行分類。本論文的主要工作如下:
1)鑒于深度學(xué)習(xí)方法可以對數(shù)據(jù)進(jìn)行本質(zhì)的刻畫,可以學(xué)習(xí)到較優(yōu)異的特征,提出了一種基于深度學(xué)習(xí)模型的高光譜圖像分類方法,該方法的深度模型是遞歸自編碼網(wǎng)絡(luò),并且運(yùn)用了空譜信息。首先,每個像素和其
3、鄰域構(gòu)成N?N的窗口,再根據(jù)鄰域像素與中心像素的相似性獲得相似性權(quán)值,把窗口中權(quán)值化像素作為遞歸自編碼網(wǎng)絡(luò)的輸入,通過該方法學(xué)習(xí)到新的特征,最后,利用支撐矢量機(jī)對學(xué)習(xí)到的新特征進(jìn)行分類。
2)針對兩類物質(zhì)的邊界附近有些像素的物質(zhì)類別與其鄰域像素的類別是不同的,影響分類的性能。除此之外,遞歸自編碼網(wǎng)絡(luò)中訓(xùn)練參數(shù)較多,復(fù)雜度較高。因此,提出了基于非局部遞歸局部保留投影網(wǎng)絡(luò)的高光譜圖像分類方法,此方法的訓(xùn)練參數(shù)明顯減少。首先,在每個
4、鄰域窗口中從N?N個像素中選出與中心像素相似性最相似的K個鄰域像素,其他的鄰域像素舍棄,從而窗口中像素就變成K個。然后,利用遞歸局部保留投影網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí),對每個窗口的 K個像素進(jìn)行特征學(xué)習(xí),學(xué)習(xí)到的特征作為窗口中心像素的新特征,最后,對這些學(xué)習(xí)到的新特征進(jìn)行分類。
3)針對高光譜圖像維數(shù)高和波段間冗余性高的問題,提出了一種基于遞歸局部投影保留網(wǎng)絡(luò)的波段選擇方法,實(shí)現(xiàn)維數(shù)約減。首先,對所有波段進(jìn)行 K均值聚類,然后把波段分成
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類研究.pdf
- 基于圖像融合的高光譜圖像分類.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類研究.pdf
- 基于深度信念網(wǎng)絡(luò)的高光譜遙感圖像分類研究.pdf
- 基于遷移學(xué)習(xí)的高光譜圖像分類.pdf
- 基于集成學(xué)習(xí)的高光譜圖像分類.pdf
- 基于遷移學(xué)習(xí)的高光譜圖像分類
- 基于圖像融合的高光譜遙感圖像分類研究.pdf
- 基于高光譜圖像的雜草分類研究.pdf
- 基于高斯過程分類器的高光譜圖像分類.pdf
- 基于分類精度預(yù)測的高光譜圖像分類研究.pdf
- 基于新型神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類方法研究.pdf
- 基于稀疏表示的高光譜遙感圖像分類.pdf
- 基于深度學(xué)習(xí)的高光譜遙感圖像分類.pdf
- 基于集成學(xué)習(xí)的高光譜遙感圖像分類.pdf
- 高光譜圖像分類研究.pdf
- 基于深度自編碼網(wǎng)絡(luò)的高光譜圖像空譜聯(lián)合分類.pdf
- 基于LSTSVM的高光譜圖像分類方法研究.pdf
- 基于高斯過程的高光譜圖像分類研究.pdf
評論
0/150
提交評論