基于深度自適應神經網絡的高光譜圖像分類方法研究.pdf

1、在過去幾年，高光譜圖像處理技術在理論和應用上都取得了巨大進步。得益于高光譜圖像同時擁有豐富的空間信息和光譜信息，高光譜圖像地物分類算法研究取得了巨大進步。但是隨著高光譜圖像的空間分辨率和光譜分辨率不斷提高，數據維度大幅度增長，這也使得當前主流的基于“空間譜特征”（spatial-spectral feature）的分類方法面臨非常大的困難。經典的高光譜圖像分類方法，諸如支持向量機、邏輯回歸、神經網絡等都可歸結為淺層分類器，而研究表明深層

2、網絡可以從原始數據中提取更多刻畫數據本質的特征信息。
　　本文對高光譜圖像的成像原理及特點進行了深入分析，然后引入了深度神經網絡理論，通過在深度神經網絡相鄰層神經元間引入連接的稀疏性，實現自適應的分類特征深度提??；另一方面，為了降低深度神經網絡的計算復雜度，本文提出了一種高效能深度自適應神經網絡分類方法，并將該方法成功地應用于高光譜圖像地物分類。本文的主要貢獻歸納如下：
　?、俜治隽烁吖庾V圖像的成像原理與數據特點，并闡述了對

3、原始高光譜數據進行特征提取或降維的必要性。然后建立了基于深度神經網絡的高光譜圖像地物分類模型，在此基礎上，對比常用的特征提取方法，分析了深度神經網絡的優(yōu)勢以及深層網絡結構對模型性能的影響。
　?、卺槍Ω吖庾V圖像波段間存在強相關性與冗余性，并給模式識別和分類等任務帶來了巨大挑戰(zhàn)，本文提出了一種基于深度自適應分組置信網絡的高光譜圖像地物分類方法。該方法能夠自適應的衰減與冗余波段相連的連接強度，減小冗余波段的影響，降低特征間的相關性，提