基于遞歸網(wǎng)絡的高光譜圖像分類.pdf

1、在過去的二十年里，高光譜遙感技術(shù)有著突飛猛進的發(fā)展，已經(jīng)成為一種前沿技術(shù)。高光譜遙感技術(shù)實現(xiàn)了對地球表面的目標檢測與分類，并且在許多領域有廣泛的應用，如環(huán)境管理、農(nóng)業(yè)、社會安全和軍事防御以及礦物探測。其中，高光譜圖像分類是高光譜遙感技術(shù)的一個重要的應用，而特征學習又是改善分類性能的一個重要的方法。高光譜特征學習面臨著獲取類標困難、波段維數(shù)高的這些問題，因此，解決這些問題是特征學習的一個熱點。
　　目前，深度學習作為特征學習的一種重

2、要方法之一，已經(jīng)被廣泛應用于許多領域。其中，在高光譜領域中，深度學習還比較少地被應用。本文就是利用深度學習中一種遞歸的方法進行特征學習，該方法是一種無監(jiān)督的方法，克服了獲取類標難的困難。最后利用學習到的特征進行分類。本論文的主要工作如下：
　　1）鑒于深度學習方法可以對數(shù)據(jù)進行本質(zhì)的刻畫，可以學習到較優(yōu)異的特征，提出了一種基于深度學習模型的高光譜圖像分類方法，該方法的深度模型是遞歸自編碼網(wǎng)絡，并且運用了空譜信息。首先，每個像素和其

3、鄰域構(gòu)成N?N的窗口，再根據(jù)鄰域像素與中心像素的相似性獲得相似性權(quán)值，把窗口中權(quán)值化像素作為遞歸自編碼網(wǎng)絡的輸入，通過該方法學習到新的特征，最后，利用支撐矢量機對學習到的新特征進行分類。
　　2）針對兩類物質(zhì)的邊界附近有些像素的物質(zhì)類別與其鄰域像素的類別是不同的，影響分類的性能。除此之外，遞歸自編碼網(wǎng)絡中訓練參數(shù)較多，復雜度較高。因此，提出了基于非局部遞歸局部保留投影網(wǎng)絡的高光譜圖像分類方法，此方法的訓練參數(shù)明顯減少。首先，在每個

4、鄰域窗口中從N?N個像素中選出與中心像素相似性最相似的K個鄰域像素，其他的鄰域像素舍棄，從而窗口中像素就變成K個。然后，利用遞歸局部保留投影網(wǎng)絡進行特征學習，對每個窗口的 K個像素進行特征學習，學習到的特征作為窗口中心像素的新特征，最后，對這些學習到的新特征進行分類。
　　3）針對高光譜圖像維數(shù)高和波段間冗余性高的問題，提出了一種基于遞歸局部投影保留網(wǎng)絡的波段選擇方法，實現(xiàn)維數(shù)約減。首先，對所有波段進行 K均值聚類，然后把波段分成