基于卷積神經網絡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的重要研究方向。高光譜圖像通過提取物體在多個光譜下的成像結果，獲得了更豐富的信息，更有利于物體的分類和目標的檢測。高光譜數據具有通道數目多、相鄰通道的數據內容相似、信息冗余大的性質，因此高光譜數據的特征提取相對一般RGB數據更為復雜。目前高光譜數據特征獲取算法大部分從以下兩方面入手:同一通道內的局部空間信息，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知識，難以充分把握高光譜數據的全部

2、空域、譜域信息，并且模型泛化能力較差。卷積神經網絡具有強大的特征提取能力，它提取的特征具有平移、旋轉、尺度不變性，卷積神經網絡可以充分挖掘出高光譜圖像的內在特征。并且卷積神經網絡使用梯度下降的訓練方法，不需要過多的先驗知識，只需給定輸入和分類標簽，即可自動完成特征的提取及分類。本課題從高光譜數據自身的結構性質出發(fā)，截取高光譜數據的立體圖像塊，使用卷積神經網絡處理提取到的塊。通過多層卷積、池化操作獲取高光譜數據本質信息，從而完成對高光譜數

3、據的分類。
　　本研究主要內容包括：⑴考慮高光譜數據的結構性質，制定適用于高光譜數據分類的卷積神經網絡結構。高光譜圖像是多通道圖像，每個通道代表了在同一拍攝位置不同波長光線下物體的成像結果。高光譜圖像通道數目多，數據量大，這種特點與卷積神經網絡需要大量訓練數據的性質相契合。本文設計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網絡，網絡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。文中分析了網絡結構對分類

4、性能的影響，討論了網絡深度與分類正確率、運行時間的關系。⑵針對卷積神經網絡中的全連接層缺乏非線性結構的問題，將卷積網絡與傳統的支持向量機結合。卷積神經網絡的卷積、池化、Relu層具有強大的特征提取能力，但全連接層只包含簡單的線性結構，對于特征的分類能力不足。支持向量機是最大化分類間隔的分類器，擁有優(yōu)秀的非線性問題處理能力。為了充分利用卷積網絡特征提取的優(yōu)勢和支持向量機處理非線性問題的優(yōu)勢，本文設計了算法框架將卷積網絡和支持向量機有機地結

5、合。算法先單獨訓練卷積神經網絡，當網絡訓練完成后，將樣本送入到卷積網絡中得到全連接層向量，使用全連接層向量及分類標簽來訓練支持向量機。卷積網絡和支持向量機結合的操作進一步提升了高光譜數據的分類準確率。⑶針對具體圖像內容設計了自適應的空域窗口。在使用卷積神經網絡對高光譜圖像某個像素點分類時，需要提取以此像素點為中心的空域窗口，然后將窗口送入網絡中得到預測標簽?？沼虼翱诘拇笮±碚撋蠎撌腔趫D像內容的，即在圖像內容簡單的區(qū)域使用大的空域窗口