论文部分内容阅读
随着遥感技术的高速发展,人类对地观测手段逐渐向精细化、多样化、智能化方向发展。高光谱遥感或成像光谱的发展被认为是与成像雷达技术并列,自遥感技术问世以来最重大的两项突破性技术之一。高光谱遥感技术将成像技术和光谱技术相结合,获得“图谱合一”的遥感数据。高光谱图像具有波段数量多,波段宽度窄,光谱分辨率高的特点,能够反映地物光谱的细微特征。目前高光谱图像已被广泛应用于地质勘探、精准农林、城乡规划、目标识别、目标解译等民用和军用领域。高光谱图像分类是高光谱图像应用中最重要的研究方向之一,其目标是根据地物的诊断性光谱吸收差异,将图像中的像素划归为若干专题要素中的一种。当前分类方法在宏观上属于开环前馈网络结构,仅利用了有标记样本中包含的先验信息。实际应用中,高光谱数据的标记成本较高,因此应深入挖掘无标记样本中包含的后验信息。本文提出的反馈网络结构能够将后验信息加以利用,使测试过程对训练过程进行优化,迭代地提升分类效果。本文重点突破了传统的深度学习网络结构,提出了智能反馈网络,融合反馈网络和域自适应反馈网络以应对样本不足和先验信息缺失问题。本文的主要研究内容概括如下:为了对当前的高光谱图像前馈开环分类方法存在的问题进行深入研究,第二章对高光谱图像的基础技术及评价方法进行介绍。首先介绍了现阶段表现比较优秀的三类分类方法,包括“谱-空”分类方法、卷积神经网络方法和基于检测算子的分类方法。提出了一种基于类别特征的训练样本迭代分配方法,为确定训练样本的数量提供理论依据。使用上述三类常用分类方法对三个公开数据集进行分类,并使用分类精度和分类准确度对分类效果进行了对比和分析。以上述典型光谱-空间分类器为基础,针对当前方法中训练过程和测试过程相互独立,对后验信息利用不充分的问题,第三章提出了基于智能反馈网络的高光谱图像分类方法。提出了一种带有反馈结构的的闭环分类网络。该网络将“光谱-空间”分类器产生的空间滤波后的后验信息反馈至原始数据中,迭代地进行分类器的训练和测试。在此基础上,加入随机空间滤波和全连接层,提出了一种智能反馈神经网络,智能地确定空间滤波层的数量。实验证明,本章的两种网络结构能够显著提升分类效果。在单分类器智能反馈网络的基础上,针对小样本条件下,先验信息不足影响分类效果的问题,第四章提出了基于融合反馈网络的高光谱图像分类方法。提出的融合网络将不同光谱分类器与空间滤波器组合获得的后验空间特征进行了特征级的非线性融合,并将融合特征反馈到网络的输入部分,丰富了反馈网络中的后验空间信息,并提出了“一对一”,“一对多”和“渐进式”结构的融合反馈网络。实验证明,融合反馈网络能够通过特征融合实现后验信息的有效整合,在智能反馈网络的基础上进一步提升分类效果。在后验信息能够提升域内分类效果的基础上,针对实际应用中存在大量不含训练样本的高光谱图像的问题,第五章提出了基于域自适应反馈网络的分类方法。域自适应学习能够解决训练样本和测试样本来源于具有不同数据概率分布的源域和目标域的迁移学习问题。本章提出的域自适应反馈网络在变化的特征域提取后验空间信息,并根据一种新的样本相似性评价准则进行训练样本集的更新,实现分类器的域自适应。实验证明,后验空间信息能够作为一种不变特征在域间进行信息迁移,借助新的域自适应反馈网络能够有效提取目标域中的样本作为训练样本,域自适应分类结果较现有方法显著提高。综上所述,本文围绕“反馈网络”这一概念,将高光谱图像分类过程中原本独立的训练过程和测试过程建立了联系,提出了具有较强扩展能力的智能反馈网络,并将其进一步推广,提出了融合反馈网络,最后将反馈网络概念应用于域自适应领域,提出了域自适应反馈网络。上述新方法提升了高光谱图像域内分类和跨域分类的效果。