基于CNN和MRF的高光谱遥感图像分类

摘要

高光谱遥感图像蕴含着丰富的地物信息，对于高光谱遥感数据的解译和分类方法一直是研究者的研究重点所在。本文针对高光谱遥感图像的高维度、训练数据不足的特点研究了基于卷积神经网络和马尔科夫随机场的高光谱遥感图像分类方法。
　　研究了基于空-谱特征融合的改进型卷积神经网络高光谱遥感图像分类方法。将传统卷积神经网络结构做重新设计，使用与光谱波段同维的卷积核结构对训练数据做光谱空间特征融合提取，在全连接层间加入Dropout控制向量，与ReLU函数搭配使用，设计一种具有深度空谱特征提取能力和强泛化能力的卷积神经网络模型SSCF-CNN。在国际通用遥感实验数据集上与其他方法做实验对比，结果表明SSCF-CNN具有较好的准确性，能够对不同数据集完成精度较高的分类。
　　针对分类结果中的“椒盐”现象，将SSCF-CNN与马尔科夫随机场结合，设计了基于卷积神经网络和马尔科夫随机场的高光谱遥感图像分类算法。算法基于SSCF-CNN对高光谱遥感图像的分类结果构建标记场，搭建SSCF-CNN-MRF分类优化框架，完成对SSCF-CNN分类结果的优化。
　　针对分类结果中不同区域交界的“各向同性”问题，设计了基于集成学习Bagging思想的空-谱随机特征和多轮投票的集成学习高光谱遥感图像分类算法。算法对训练样本做放大重组，构建多个训练子集并随机分配给基分类器，最后将各分类结果与前述分类结果做多轮投票融合，提高分类精度的同时解决区域边缘优化问题。

目录

第一个书签之前

摘 要

ABSTRACT

1 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 研究内容及章节结构

2卷积神经网络与马尔科夫随机场

2.1 引言

2.2 卷积神经网络

2.2.1 卷积神经网络基本思想

2.2.2 卷积神经网络基本结构

2.3 马尔科夫随机场

2.3.1 马尔科夫随机场基本理论

2.3.2 马尔科夫随机场建模方法

2.4 本章小结

3基于空-谱深度特征融合的卷积神经网络高光谱遥感图像分类

3.1 引言

3.2 卷积神经网络调优方法

3.2.1 激活函数选择

3.2.2 限制过拟合策略

3.3 基于空-谱深度特征融合的高光谱遥感图像分类

3.3.1 网络结构设计

3.3.2 SSCF-CNN高光谱遥感图像分类算法

3.3.3 实验数据概况

3.3.4 实验数据预处理

3.3.5 分类精度评价方法

3.3.6 实验结果对比及分析

3.4 本章小结

4基于CNN和MRF的高光谱遥感图像分类

4.1 引言

4.2 MAP最优分类估计

4.3 基于CNN和MRF的高光谱遥感图像分类算法

4.3.1 MAP-MRF标记优化框架

4.3.2 标记优化算法的ICM求解

4.3.3 SSCF-CNN-MRF高光谱遥感图像分类算法

4.3.4 实验结果及对比分析

4.4 本章小结

5 基于空-谱随机特征和多轮投票的集成学习高光谱遥感图像分类

5.1 引言

5.2 集成学习简介

5.2.1 集成学习基本概念

5.2.2 常用分类器集成方法

5.3 基于空-谱随机特征和多轮投票的集成学习高光谱遥感图像分类

5.3.1 集成学习分类算法设计

5.3.2 SSCF-Bagging高光谱遥感图像分类算法

5.3.3 实验结果及对比分析

5.4 本章小结

6 总结与展望

参考文献

致谢

攻读学位期间取得的学术成果和获奖情况