基于改進(jìn)RBM的多光譜遙感圖像分類.pdf

1、遙感圖像為地表觀測提供了豐富的觀測數(shù)據(jù)，為了達(dá)到有效利用遙感數(shù)據(jù)的目的，需要有效地對遙感圖像進(jìn)行解譯和分析，將遙感圖像的光譜信息轉(zhuǎn)化為用戶的類別信息。遙感圖像的分類對遙感數(shù)據(jù)的分析和應(yīng)用具有十分重要的作用，是遙感領(lǐng)域研究的熱點(diǎn)。然而多光譜遙感圖像中存在的同物異譜和同譜異物現(xiàn)象加大了分類的難度，另外，獲取地面真實(shí)數(shù)據(jù)或?qū)＜覙?biāo)記訓(xùn)練數(shù)據(jù)費(fèi)時(shí)且代價(jià)較高。雖然目前多光譜遙感圖像的分類方法很多，但是尚沒有一種非常有效的算法。因此，探索更加高效、高

2、精度的遙感圖像分類方法在現(xiàn)階段具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。
　　深度學(xué)習(xí)是近年來新興的一門機(jī)器學(xué)習(xí)子領(lǐng)域，其研究內(nèi)容主要是探討包含多層結(jié)點(diǎn)的人工神經(jīng)網(wǎng)絡(luò)的建模和學(xué)習(xí)問題。這種“深度神經(jīng)網(wǎng)絡(luò)”由于在信息處理方式上更類似于人類大腦，因此被認(rèn)為有希望更好地解決一些復(fù)雜的智能問題。受限玻爾茲曼機(jī)（Restricted Boltzmann Machine,RBM）的機(jī)器學(xué)習(xí)問題在深度學(xué)習(xí)領(lǐng)域占據(jù)著核心地位。RBM具有強(qiáng)大的無監(jiān)督學(xué)習(xí)能力，

3、能學(xué)習(xí)數(shù)據(jù)中復(fù)雜的規(guī)則，被成功用作深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)單元，在近些年受到廣泛關(guān)注，并在很多領(lǐng)域得到成功應(yīng)用。
　　本文主要研究了如何對RBM進(jìn)行有效地改進(jìn)，使之對多光譜遙感圖像分類達(dá)到更高的分類精度，具體來說，本文研究的工作及貢獻(xiàn)如下：
　　1.提出了基于誤差修正的K受限玻爾茲曼機(jī)（KRestricted Boltzmann Machine， K-RBM）和改進(jìn)RBM-softmax模型相結(jié)合的半監(jiān)督分類方法。該方法首先利用誤

4、差修正K-RBM對無標(biāo)簽樣本進(jìn)行聚類，將不同的類別分開，并根據(jù)重構(gòu)誤差得到置信度較高的分類數(shù)據(jù)；再根據(jù)極少的有標(biāo)簽樣本計(jì)算出誤差修正K-RBM聚類得到的這些置信度較高的數(shù)據(jù)的類標(biāo)，并將賦予類標(biāo)信息的置信度較高的數(shù)據(jù)與極少數(shù)的有標(biāo)簽的樣本共同組成訓(xùn)練樣本；用訓(xùn)練樣本訓(xùn)練改進(jìn) RBM-softmax分類器，得到模型的參數(shù)；最后用學(xué)習(xí)好的改進(jìn) RBM-softmax分類器對測試數(shù)據(jù)進(jìn)行分類。誤差修正K-RBM克服了 K-RBM不能保證類內(nèi)間隔

5、最小、類間間隔最大的缺點(diǎn)；且誤差修正K-RBM在聚類過程中，用周圍像元的類標(biāo)與像元本身的特征共同決定像元的類標(biāo)，提高了分類精度；改進(jìn) RBM-softmax模型具有初級(jí)視覺皮層細(xì)胞的特點(diǎn)即稀疏性和選擇性。在兩組多光譜遙感圖像上進(jìn)行了實(shí)驗(yàn)，證明了各部分改進(jìn)的有效性，且結(jié)果表明本文提出的半監(jiān)督分類方法具有分類精度高、速度快的優(yōu)點(diǎn)。
　　2.提出了基于交叉熵正則項(xiàng)的改進(jìn)RBM模型，并推導(dǎo)出了其參數(shù)更新方法，以獲得更具可分性的多光譜遙感圖