论文部分内容阅读
高光谱成像技术广泛应用于地质勘探、生态保护、农产估计等众多领域,是许多国家对地遥感系统的重要组成部分。高光谱图像分类是指对高光谱图像包含的地物类别进行辨识的过程,分类是对高光谱图像进行理解和解译的前提。目前高光谱图像分类过程中存在数据维度高、数据量大、标记样本少的问题,有效结合无监督学习和监督学习是理想解决途径之一。深度置信网络是一种包含无监督学习预训练和有监督学习微调的深度学习模型,应用于高光谱图像分类任务具有理论上的优势。目前将深度置信网络应用于高光谱图像分类的研究处于起步阶段,就现有研究实例来说,所用深度置信网络的结构参数缺少具体的取值依据;缺少高光谱图像空间维信息的高效引入方法。针对高光谱图像地物分类,本文的具体工作概述如下:一、针对高光谱图像数据的特征提取和地物分类,本文提出一个新的深度置信网络结构。采用堆叠限制玻尔兹曼机的方式构建深度置信网络,关键在于确定堆叠层数和每层的参数。针对限制玻尔兹曼机的层数和每层限制玻尔兹曼机的隐含层神经元个数、无监督训练次数、学习率大小,本文分别对其进行了详细的实验研究,择优确定了各参数取值,完成了深度置信网络的搭建;并将构建的深度置信网络应用于真实高光谱图像分类,相同运行平台下,本文构建的深度置信网络取得了比RBFN和SVM更高的分类精度。二、针对高光谱图像的空间维信息引入问题,本文提出一种高光谱图像纹理信息增强模型。利用高光谱图像波段众多的优势,采用导向滤波算法对分组的波段图像进行边缘信息提升,从而实现高光谱图像的纹理信息增强;将纹理信息增强模型与本文构建的深度置信网络结合构成一个具有纹理细信息增强模块的高光谱图像分类方法,基于该方法对真实高光谱图像进行分类的结果表明,本文提出的纹理信息增强模型显著提高了高光谱图像分类精度。三、针对纹理增强处理过程中引入的冗余边缘和附加噪声问题,本文采用空间滤波方法在高光谱图像的空间维进行去冗余和去噪处理,实现了对纹理信息增强后的高光谱图像的进行空间信息优化。基于空间信息优化后的分类方法对真实高光谱图像的分类结果表明,采用空间滤波方式对纹理信息增强后的高光谱图像进行空间信息优化,能进一步提高分类精度,优化分类性能。