论文部分内容阅读
高光谱图像分类一直是遥感领域的研究热点,高光谱遥感图像中富含了大量地物的光谱信息及空间信息,可以利用这些信息对地物进行分类与识别。如何提取深层的特征,使得特征更易于分类,这都是高光谱图像分类领域下一步研究的热点。当前卷积神经网络作为深度学习的一个主要模型成为了图像处理方向一个重要的应用。如何针对具体的问题构建网络,也是深度学习的研究内容之一。本文对基于深度学习的高光谱图像分类方法展开研究,主要的工作及创新点如下:1)针对高光谱数据“图谱合一”的特性,本文提出了一种改进的基于卷积神经网络的高光谱数据谱信息转灰度图的分类方法,详细介绍了该方法将高光谱图像数据灰度化的预处理过程。通过针对Indian Pines和Pavia University数据集进行训练测试,合理调节网络参数训练出一个性能稳定的卷积神经网络分类模型。实验结果表明基于卷积神经网络模型的谱信息灰度化的分类方法相比其他方法能够有效地改善分类结果。2)为了利用高光谱图像的空间特征,本文提出了一种基于卷积神经网络的高光谱图像重构模型来增强空间特征,使用了一种新的基于空间特征的波段选择策略,通过卷积神经网络训练高光谱数据,建立适合高光谱图像重构的参数优化模型,最后对重构后的图像进行分类。实验结果表明,对重构后的高光谱图像进行分类比直接使用原始高光谱图像分类有更好的分类效果。