基于深度堆栈网络的高光谱图像分类方法研究

摘要

高光谱图像分类技术是高光谱遥感最为重要的研究方向，在军事和民用领域都得到了广泛应用。但是由于高光谱数据具有波段数目众多、各波段相关性强、运算量大的特点，常规的图像分类方法在处理高光谱图像时有较大的限制，如何从大量的高光谱数据中快速而准确地挖掘出所需要的信息，实现高精度的分类，仍是一个亟待解决的问题。
　　深度学习作为一种非线性特征提取方法，通过组合低层特征形成更加抽象的高层类别属性或特征，以挖掘数据的分布式特征表示，具备强大的特征表达能力和对复杂任务的建模能力。因而，基于深度网络的高光谱图像分类的研究受到科研人员越来越多的关注。目前，已应用于高光谱遥感领域的深度学习网络包括深度自编码网络、深度信念网络和深度卷积网络。在这些深度神经网络中，有成千上万的参数需要学习导致训练非常耗时，作为优化算法的基于最小批处理的随机梯度下降算法又很难在多 CPU上并行化训练，而深度堆栈网络可克服这些难题。本文在对现有算法进行分析的基础上，深入研究了深度堆栈网络的结构和算法，并结合逻辑回归分类器，提出了高光谱图像分类的有效方法。论文主要完成了以下工作：
　　（1）系统介绍了高光谱图像分类的基础理论。首先分析了高光谱遥感图像的数据特点，介绍了高光谱图像的特征、研究了几种经典的特征提取算法，包括：主成分分析、最大噪声分数变换、流形学习、神经网络以及深度神经网络；接下来介绍了高光谱图像分类的流程以及现有的高光谱像元的分类算法，包括无监督分类与有监督分类。
　　（2）重点学习、研究了深度堆栈网络模型。分析了深度堆栈网络模型的结构、学习算法以及微调算法，讨论了正则化技术和网络模型的深度对特征提取的影响,还介绍了逻辑回归分类器，这些为高光谱图像分类提供新的基础。
　　（3）提出了一种基于深度堆栈网络和逻辑回归分类器(DSN-LR)的算法，该算法能够利用深度堆栈网络模型来提取高光谱图像的深度特征以用于分类。探讨了深度堆栈网络模型中正则化Dropout值和模型深度的选取问题。实验表明，相比传统的特征提取算法，深度堆栈网络能够提取更好的深度特征；基于DSN-LR的各项分类指标优于基于支持向量机和神经网络的，通过混淆矩阵和KSC的分类结果全图更进一步解释了DSN-LR算法的优越性。
　　（4）提出了一种基于DSN-LR和光谱信息与空间信息联合的高光谱分类方法，在光谱信息的基础之上加入空间信息能够更进一步提高高光谱图像分类精度。首先采用一种基于 PCA变换与像素邻域相结合的空间特征提取方法，将空间特征与光谱特征有机融合形成光谱空间联合信息；然后利用深度堆栈网络-逻辑回归分类器(DSN-LR)对光谱空间信息进行特征提取与分类。仿真结果表明，基于光谱空间联合的DSN-LR方法在各项分类指标上高于基于支持向量机和之前的基于光谱特征的分类方法，有效提高了高光谱图像的分类性能。

目录

第一章 绪论

1. 1 选题背景及意义

1. 2 高光谱图像分类研究现状

1. 3 本文研究内容及结构

第二章 高光谱图像分类基础

2. 1 引言

2. 2 高光谱数据的特性分析

2. 3 高光谱图像特征提取算法

2. 4 高光谱图像分类算法

2. 5 本章小结

第三章 深度堆栈网络与逻辑回归分类器

3. 1 引言

3. 2 深度堆栈网络模型

3. 3 逻辑回归分类器

3. 5 本章小结

第四章 基于DSN-LR和光谱信息的高光谱图像分类

4. 1 引言

4. 2 深度堆栈网络与逻辑回归分类器模型

4. 3 实验设计与结果分析

4. 4 本章小结

第五章 基于DSN-LR和光谱与空间联合信息的高光谱图像分类

5. 1 引言

5. 2 空间特征提取与分类

5. 3 光谱空间联合特征提取与分类

5. 4 实验分析

5. 5 本章小结

第六章 总结与展望

6. 1 研究工作总结

6. 2 对进一步工作的展望

参考文献

攻读研究生期间参加科研及发表学术论文情况

致谢

声明