基于深度神经网络的多/高光谱与高程数据联合分类研究

发布时间：2023-04-19 01:33

　　多光谱和高光谱数据可反映丰富的光谱信息,在遥感地物分类中有着优异的表现,然而,由于仅包含光谱信息,多/高光谱对“同谱异物”的目标区分能力有限。数字表面模型等多种数据中包含着地表目标高精度的高程信息,然而对于地物分类任务而言其信息丰富度不足。多/高光谱和高程数据在信息上存在很强的互补性,它们的联合利用是进一步提高分类性能的可行方向,但两类数据的差异也为特征提取、联合及分类带来了困难。本文从多/高光谱和高程数据特征层面的联合利用出发,基于深度神经网络构建了多/高光谱与数字表面模型的联合分类模型,利用深度神经网络的特征学习和强大的表示能力,更有效地完成了对两类数据的信息处理,达到了进一步提高分类精度的目的。论文的研究内容主要包括一下几个方面:首先,探究了基于卷积神经网络的多/高光谱和数字表面模型数据的深度特征提取方法。考虑到邻域信息对地物分类的重要性,本文选择使用擅长挖掘局部关联信息的卷积神经网络提取多/高光谱数据的空间-光谱和数字表面模型数据的空间-高程信息。通过实验可验证深度特征提取网络在两类数据上的表现均优于多种典型遥感数据特征提取方法,是一种有效的特征提取模型。其次,基于多层全连接神...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 国内外在该方向的研究现状及分析
        1.2.1 遥感数据的特征提取与地物分类
        1.2.2 多/高光谱与高程数据联合分类研究现状
        1.2.3 深度神经网络在遥感领域的应用现状
    1.3 本文的主要研究内容及章节安排
第2章 基于特征提取的多源遥感数据联合分类
    2.1 引言
    2.2 遥感数据的特征提取
    2.3 多源遥感数据的特征级融合
        2.3.1 多源数据融合概述
        2.3.2 多源数据特征级融合
        2.3.3 多/高光谱与高程数据的联合利用
    2.4 遥感数据地物分类
    2.5 深度神经网络理论与模型结构
        2.5.1 深度学习理论基本概念与特点
        2.5.2 深度学习模型的典型训练过程
    2.6 本章小结
第3章 基于深度卷积网络的特征提取与地物分类
    3.1 引言
    3.2 卷积神经网络模型
    3.3 多/高光谱和DSM的CNN特征提取与分类模型
        3.3.1 用于DSM特征提取与分类的 2D CNN
        3.3.2 用于多/高光谱数据特征提取与分类的 3D CNN
        3.3.3 权值更新方法
        3.3.4 批次归一化结构
    3.4 特征提取及分类实验分析
        3.4.1 实验图像数据简介
        3.4.2 多/高光谱数据的特征提取与分类实验
        3.4.3 DSM数据的特征提取与分类实验
    3.5 本章小结
第4章 基于全连接神经网络的特征联合分类
    4.1 引言
    4.2 基于全连接神经网络的联合分类模型
        4.2.1 全连接神经网络结构及相关应用简介
        4.2.2 深度联合分类模型的整体结构
    4.3 联合分类模型实验及分析
        4.3.1 网络结构及其对分类性能影响分析
        4.3.2 深度联合分类模型性能分析
    4.4 本章小结
第5章 深度神经网络与稀疏表示结合的联合分类
    5.1 引言
    5.2 稀疏表示理论基础
        5.2.1 稀疏表示问题模型
        5.2.2 稀疏系数求解
        5.2.3 稀疏字典设计
    5.3 稀疏表示在地物分类中的应用
        5.3.1 稀疏表示分类模型
        5.3.2 稀疏表示方法的其它改进
    5.4 DNN与稀疏表示结合的联合分类
        5.4.1 模型结构
        5.4.2 实验结果及分析
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3793446