基于遞歸網(wǎng)絡(luò)的高光譜圖像分類.pdf

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