基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類研究.pdf

1、高光譜圖像分類是目前遙感技術(shù)的重要研究方向。高光譜圖像通過(guò)提取物體在多個(gè)光譜下的成像結(jié)果，獲得了更豐富的信息，更有利于物體的分類和目標(biāo)的檢測(cè)。高光譜數(shù)據(jù)具有通道數(shù)目多、相鄰?fù)ǖ赖臄?shù)據(jù)內(nèi)容相似、信息冗余大的性質(zhì)，因此高光譜數(shù)據(jù)的特征提取相對(duì)一般RGB數(shù)據(jù)更為復(fù)雜。目前高光譜數(shù)據(jù)特征獲取算法大部分從以下兩方面入手:同一通道內(nèi)的局部空間信息，不同通道同一空間位置的譜線信息。然而這些的特征提取方式需要大量的先驗(yàn)知識(shí)，難以充分把握高光譜數(shù)據(jù)的全部

2、空域、譜域信息，并且模型泛化能力較差。卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征提取能力，它提取的特征具有平移、旋轉(zhuǎn)、尺度不變性，卷積神經(jīng)網(wǎng)絡(luò)可以充分挖掘出高光譜圖像的內(nèi)在特征。并且卷積神經(jīng)網(wǎng)絡(luò)使用梯度下降的訓(xùn)練方法，不需要過(guò)多的先驗(yàn)知識(shí)，只需給定輸入和分類標(biāo)簽，即可自動(dòng)完成特征的提取及分類。本課題從高光譜數(shù)據(jù)自身的結(jié)構(gòu)性質(zhì)出發(fā)，截取高光譜數(shù)據(jù)的立體圖像塊，使用卷積神經(jīng)網(wǎng)絡(luò)處理提取到的塊。通過(guò)多層卷積、池化操作獲取高光譜數(shù)據(jù)本質(zhì)信息，從而完成對(duì)高光譜數(shù)

3、據(jù)的分類。
　　本研究主要內(nèi)容包括：⑴考慮高光譜數(shù)據(jù)的結(jié)構(gòu)性質(zhì)，制定適用于高光譜數(shù)據(jù)分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。高光譜圖像是多通道圖像，每個(gè)通道代表了在同一拍攝位置不同波長(zhǎng)光線下物體的成像結(jié)果。高光譜圖像通道數(shù)目多，數(shù)據(jù)量大，這種特點(diǎn)與卷積神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練數(shù)據(jù)的性質(zhì)相契合。本文設(shè)計(jì)了包含多尺度特征提取層、特征融合層、特征降維層的卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)充分提取了高光譜圖像的空間、譜間特征，并獲得了優(yōu)良的分類性能。文中分析了網(wǎng)絡(luò)結(jié)構(gòu)對(duì)分類

4、性能的影響，討論了網(wǎng)絡(luò)深度與分類正確率、運(yùn)行時(shí)間的關(guān)系。⑵針對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的全連接層缺乏非線性結(jié)構(gòu)的問(wèn)題，將卷積網(wǎng)絡(luò)與傳統(tǒng)的支持向量機(jī)結(jié)合。卷積神經(jīng)網(wǎng)絡(luò)的卷積、池化、Relu層具有強(qiáng)大的特征提取能力，但全連接層只包含簡(jiǎn)單的線性結(jié)構(gòu)，對(duì)于特征的分類能力不足。支持向量機(jī)是最大化分類間隔的分類器，擁有優(yōu)秀的非線性問(wèn)題處理能力。為了充分利用卷積網(wǎng)絡(luò)特征提取的優(yōu)勢(shì)和支持向量機(jī)處理非線性問(wèn)題的優(yōu)勢(shì)，本文設(shè)計(jì)了算法框架將卷積網(wǎng)絡(luò)和支持向量機(jī)有機(jī)地結(jié)

5、合。算法先單獨(dú)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，當(dāng)網(wǎng)絡(luò)訓(xùn)練完成后，將樣本送入到卷積網(wǎng)絡(luò)中得到全連接層向量，使用全連接層向量及分類標(biāo)簽來(lái)訓(xùn)練支持向量機(jī)。卷積網(wǎng)絡(luò)和支持向量機(jī)結(jié)合的操作進(jìn)一步提升了高光譜數(shù)據(jù)的分類準(zhǔn)確率。⑶針對(duì)具體圖像內(nèi)容設(shè)計(jì)了自適應(yīng)的空域窗口。在使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)高光譜圖像某個(gè)像素點(diǎn)分類時(shí)，需要提取以此像素點(diǎn)為中心的空域窗口，然后將窗口送入網(wǎng)絡(luò)中得到預(yù)測(cè)標(biāo)簽?？沼虼翱诘拇笮±碚撋蠎?yīng)該是基于圖像內(nèi)容的，即在圖像內(nèi)容簡(jiǎn)單的區(qū)域使用大的空域窗口