《基于深度学习的高光谱图像特征学习研究——毕业论文》由会员分享，可在线阅读，更多相关《基于深度学习的高光谱图像特征学习研究——毕业论文（47页珍藏版）》请在金锄头文库上搜索。
1、本科毕业设计论文本科毕业设计论文I摘要与传统分类方法相比，高光谱图像处理面临的两个主要问题是：一是光谱分辨率高、光谱曲线近乎连续、数据量大、数据冗余严重、谱间相关性强；另一是空间分辨率有限、存在大量混合像元， “Hughes”现象凸现。“特征学习”从原始的像素出发通过特定的神经网络结构自动发现图像中隐藏的模式以学习出有效特征，近年来获得空前的发展，成为国际上信号处理模式识别等领域的研究热点。深度学习是一种多层的神经网络结构，是自 2012 年来机器学习领域非常热的一个研究方向，它能够从原始的像素出发通过多层结构自动学习有效特征并在输出层实现分类。本文将基于深度学习的特征学习方法引入到高光谱遥感
2、图像处理中，结合像元的光谱特征，设计了一种深度学习网络，能够从高光谱数据上百个波段中提取有用的信息并分类，与其他基于深度学习的分类方法相比，正确率得到了显著的提升。同时，训练好的网络具有很好的泛化性能，可以直接提取同种传感器获取的其他高光谱图像数据，与传统的 SVM、SVM-CK 等分类方法比较，正确率得到了显著的提升。关键词：高光谱图像，特征提取，深度学习，卷积神经网络本科毕业设计论文本科毕业设计论文IIAbstractCompared with the traditional classification method, two major problems facing the hype
3、rspectral image processing is: First, high spectral resolution, spectral curve nearly continuous, data volume, data redundancy is serious, spectral correlation is strong; the other is the space resolution is limited, there are a lot of mixed pixels, “Hughes“ phenomenon highlights.“Feature learning“
4、starting from the original pixel by specific neural network architecture, and can automatically discover the hidden image pattern to learn the features. It access to an unprecedented development in recent years, and have become a hot topic international signal processing and pattern recognition fiel
5、d. Deep learning is a multilayer neural network architecture, and has been a hot research direction of machine learning, it can automatically learn features by a multilayer structure and classify it in the output layer. This article will introduce a feature learning method based on deep learning, wh
6、ich combined with the spectral characteristics of pixels can learn the deep feature of hyperspectral remote sensing image, and be able to extract useful information from hyperspectral data classification and hundreds of bands. Compared with other classification method based on deep learning, the acc
7、uracy has been significantly improved. Meanwhile, the trained network has good generalization performance, direct extraction of hyperspectral image data with other types of sensors obtained, compared with the traditional classification method like SVM, SVM-CK et al., the accuracy has been significan
8、tly improved.KEY WORDS：hyperspectral image, feature extraction, deep learning，convolutional neural network本科毕业设计论文本科毕业设计论文III目录目录第一章绪论11.1研究的背景和意义11.2高光谱图像特征提取与分类的国内外研究现状21.3深度学习的国内外研究现状41.4论文的内容安排和主要工作5第二章卷积神经网络理论62.1 引言62.2 卷积神经网络的结构62.2.1稀疏连接与权值共享.62.2.2最大池采样.72.2.3 Softmax 回归.72.2.4 全连接层.102.2.5
9、 Batch normalization 批量正则化102.2.6激活层.112.3 基于卷积神经网络的特征学习12第三章基于卷积神经网络的高光谱图像特征学习研究143.1 引言143.2 网络结构15本科毕业设计论文本科毕业设计论文IV3.2.1 网络总体结构.153.2.2 输入层.163.2.3 卷积层.163.2.4 批量正则化层.163.2.5 全连接层.173.2.6 输出层.173.3 高光谱图像分类测试数据集173.3.1 Indian Pines173.3.2 Salina183.3.3 Pavia Centre and University.203.4 分类研究213.4.
10、1 简介.213.4.2 实验设计.213.4.3 实验结果与分析.223.5 特征学习253.5.1 特征学习简介.253.5.2 实验设计.263.5.3 实验结果与分析.273.5 本章小结29第四章总结与展望314.1 研究工作总结314.2 对进一步工作的展望31第五章本科阶段已取得的成果32参考文献33本科毕业设计论文本科毕业设计论文V致谢38毕业设计小结39附录40本科毕业设计论文本科毕业设计论文1第一章绪论1.11.1研究的背景和意义研究的背景和意义高光谱遥感影像具有光谱分辨率高及图谱合一等特点，其光谱分辨率可达到纳米级，提供了比常规图像传感器更丰富且更精确的光谱信息，使得本来
11、在宽波段范围内不可探测的物质，在高光谱遥感中可以被探测到，因此，与其他技术相比，高光谱遥感技术在地表物质的识别、分类以及感兴趣目标信息的提取等方面具有的更大的优势。与此同时，高光谱数据分析及处理的方法与技术研究也随之成为遥感信息处理领域的研究热点，引起国内外相关科研机构和应用部门越来越多的关注，并逐渐成为国内外遥感信息处理与相关应用领域科研工作者的研究重点和热点。与传统分类方法相比，高光谱图像处理面临的两个主要问题是：一是光谱分辨率高、光谱曲线近乎连续、数据量大、数据冗余严重、谱间相关性强；另一是空间分辨率有限、存在大量混合像元， “Hughes”现象凸现。由于高光谱遥感图像数据量非常巨大，使
12、用传统的处理方法处理高光谱图像时，其效率非常低甚至失效，这给信号与信息处理学科提出了严峻的挑战。因此，研究高光谱图像数据的特征提取，对于提高高光谱图像分类、目标识别等处理的精度具有非常重要的意义，并将对高光谱遥感的深层次应用技术的发展起到积极的推动作用。“特征学习”从原始的像素出发通过特定的神经网络结构自动发现图像中隐藏的模式以学习出有效特征，近年来获得空前的发展，称为国际上信号处理模式识别等领域的研究热点。深度学习是学习一种多层的神经网络结构，是自 2012 年来机器学习领域非常热的一个研究方向，它能够从原始的像素出发通过多层结构自动学习有效特征并在输出层实现分类，目前的研究证明，利用深度学
13、习获取的特征可将相关的图像处理（分类、识别等）的精度提高 10%以上。因此，本文章将基于深度学习的特征提取方法引入到高光谱遥感图像处理中，结合像元的光谱特征，设计一种深度学习网络，从高光谱数据上百个波段中提本科毕业设计论文本科毕业设计论文2取有用的信息，用于进一步的数据处理(如地物分类和目标检测等)，对于提高高光谱图像分类和识别等处理的精度具有重要意义。1.21.2高光谱图像特征提取与分类的国内外研究现状高光谱图像特征提取与分类的国内外研究现状高光谱遥感技术的发展是遥感领域 20 世纪 80 年代起最重要的发展之一，至 90 年代已成为遥感技术研究领域的热门课题，也是当今及今后几十年内的遥感的
14、前沿技术。在成像过程中，高光谱遥感技术利用成像光谱仪纳米级的光谱分辨率，以几十或几百个波段同时对地物成像，获得地物连续的光谱信息，实现了地物空间信息、辐射信息以及光谱信息的同步获取，因而在相关领域具有巨大的应用价值和广阔的发展前景。相对于多光谱而言,它有更多的波段数目(一般为几十至几百个) 、更高的光谱分辨率(在可见光和近红外波段可以达到纳米级) 和更大的信息量和数据量。高光谱遥感的出现是遥感界的一场革命，它使得本来在多光谱的宽波段中不可探测的物质，在高光谱遥感中可以被探测到，所以，高光谱遥感技术自诞生之日起，就引起了遥感界的极大兴趣和关注，并在各国政府的大力扶持下得到了飞速发展。特征提取通常
15、是指从原始数据中提取有用信息，兼或提高后续数据应用能力。在高光谱图像处理中，特征提取通常起到数据降维的作用，同时能够提高后续地物分类、目标检测、混合像素解译以及子像素制图的处理能力1-3。下面对高光谱遥感图像处理领域中特征提取研究的现状进行介绍。高光谱图像在获取较高空间分辨率图像的同时，在光谱维进行了更广的扩展，图像在光谱维度上具有很大的数据量，即光谱特征数目与以往相比呈现十倍甚至百倍的增长，这就使得相邻或相近光谱特征之间的相关性变得异常的高。面对如此巨大的数据量，若对原始图像直接进行处理，势必会影响处理的效率。使用传统多光谱图像分类方法对高光谱图像进行分类时会遇到“维数灾难”现象，而且计算量
16、随波段数量成四次方增加。研究表明，绝大多数情况下，异类物质的光谱特性具有唯一性，不同物质的光谱信息只有在一定的波段范围内才会表现其差异性，而在这之外的波段范围内差异性表现不显示，也就是具有很强的相似性。这样一来，本文期望得到对辨识地物类型最有利的特征记录，去除其他无关紧要的冗余信息。有着如此优越性的特征降维处理，在对高光谱图像进行处理后，不仅可以大大减小分类之前的输入数据量，而且对分析图像数据的结构及其它信息变得更简单和快捷，这样对场景中地物的分类有很大的助益。高光谱图像数据减少方法一般可分为特征选择和特征提取。特征提取的主要作用是保留数据中正交信息，即非相关信息。因此，特征提取通常具有去除本科毕业设计论文本科毕业设计论文3相关性较强的冗余信息的作用。下面将概括地介绍主成分分析、最小噪声分离变换、投影寻踪等典型的特征提取方法。(1)主成分分析国际遥感领域著名学者 J. Richards4等采用具有正交变换特性的主成分分析(Principal Component Analysis，PCA)的方法对图像进行变换，使得图像波段之间互不相关，用于数据降维并隔离噪声。X. Jia
