基于空间信息与网络学习的高光谱影像分类

《基于空间信息与网络学习的高光谱影像分类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文＿參Ｉ＿基于空间信息与网络学习的高光谱影像分类作者姓名宋淑学校导师姓名、职称白静副教授ｆｆ企业导师姓名、职称李青高工由请学位类别工程硕士西安电子科技大学学位论文独创性）声明（或创新性秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研宄工作及取得的研宄成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研宄成果；也不包含一同工为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我作的同事对本研宄所做的任何贡献均已在

2、论文中作了明确的说明并表示了谢意。一切法律责任。学位论文若有不实之处，本人承担：Ｓ：ｆａ日期ｉ本人签名幕西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权属于西安电子科技大学。学校有权保留送交论文的复印件，，允许查阅、借阅论文；学校可以公布论文的全部或部分内容允许采用影印、缩印或其它复制手段保存论文。同时本人保证，结合学位论文研究成果完成的论文，署名单位为西安电子科技大学。、发明专利等成果：本人签名：左知导师签名＾２＾：

3、日期：日期学校代码10701学号1502121168分类号TP751密级公开西安电子科技大学硕士学位论文基于空间信息与网络学习的高光谱影像分类作者姓名：宋淑领域：电子与通信工程学位类别：工程硕士学校导师姓名、职称：白静副教授企业导师姓名、职称：李青高工学院：人工智能学院提交日期：2018年6月HyperspectralImageClassificationbasedonSpatialInformationandNetworkLearningAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentofthereq

4、uirementsforthedegreeofMasterinElectronicsandCommunicationsEngineeringBySongShuSupervisor:BaiJingTitle:AssociateProfessorSupervisor:LiQingTitle:SeniorEngineerJune2018摘要摘要由于高光谱影像含有丰富的地物光谱曲线，使其成为监测地球环境动态变化，遥感定量反演等有效的工具，对其进行解析处理的方式越来越受到人们的关注。尽管高光谱影像丰富的波段信息有利于地物的分类，但是太多的光谱维度以及冗余信息给处理分析影像的算法带

5、来困难，并且高光谱影像中的有标记样本稀缺，如何从数据的特点出发，采用高效的特征提取方法，提供具有判别性的信息一直是关键问题。包含多层的网络学习方法可以分层级的对未经标记的数据进行特征描述，提取其中各种隐含的特征，形成更加完整的抽象语义表示，比传统，浅层的方法拥有更好的分类性能。为此，本文基于多层网络学习模型，提取影像潜在的多层级特征，结合空间特征提取方法的优势，研究更为高效的分类算法。主要研究内容如下：(1)提出一种基于Squeeze-and-Excitation聚合残差网络的高光谱影像分类方法，该方法设计的网络模型结合了聚合残差网络的深层可扩展结构以及Squeeze-

6、and-Excitation模块对特征通道的重标定策略，可以有效地学习高光谱影像中空间上下文信息，选择性的加强具有重要信息量的特征，提取深层次抽象语义特征，从而得到更好的分类结果。(2)提出了一种基于集成多层极限学习机和主动学习的高光谱影像分类方法，该方法在有效表征数据的空间特征基础上，发挥多层极限学习机在特征表示以及数据分类方面的独特优势。由于多层网络更加依赖训练样本的数量，借助主动学习中委员会投票的思想构建集成网络，选择预测类标差异性大的无标记样本来扩充训练样本集，以更高效的方式减少对有标记样本的需求。(3)提出一种基于边缘保持滤波和深度网络的高光谱影像分类方法，从

7、不同结构纹理信息以及多层级学习的角度出发，以重构的思想来无监督的学习大量高光谱影像数据的特征。首先在主成分分析降维的基础上利用扩展形态学提取空间信息，并使用边缘保持滤波方法有效的达到保护原数据边缘的目的，然后与原始光谱信息进行级联，采用栈式自编码网络对以上空谱信息作进一步的高层次特征提取，最后使用softmax分类器进行分类。关键词：高光谱影像，网络学习，空间信息，主动学习，多层极限学习机，边缘保持滤波IABSTRACTABSTRACTBecausehyperspectralimagescontainabundantspectralcur