基于深度学习的高光谱图像特征学习研究——毕业论文

基于深度学习的高光谱图像特征学习研究——毕业论文

ID:13830825

大小:1.07 MB

页数:47页

时间:2018-07-24

基于深度学习的高光谱图像特征学习研究——毕业论文_第1页
基于深度学习的高光谱图像特征学习研究——毕业论文_第2页
基于深度学习的高光谱图像特征学习研究——毕业论文_第3页
基于深度学习的高光谱图像特征学习研究——毕业论文_第4页
基于深度学习的高光谱图像特征学习研究——毕业论文_第5页
资源描述:

《基于深度学习的高光谱图像特征学习研究——毕业论文》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、本科毕业设计论文摘要与传统分类方法相比,高光谱图像处理面临的两个主要问题是:一是光谱分辨率高、光谱曲线近乎连续、数据量大、数据冗余严重、谱间相关性强;另一是空间分辨率有限、存在大量混合像元,“Hughes”现象凸现。“特征学习”从原始的像素出发通过特定的神经网络结构自动发现图像中隐藏的模式以学习出有效特征,近年来获得空前的发展,成为国际上信号处理模式识别等领域的研究热点。深度学习是一种多层的神经网络结构,是自2012年来机器学习领域非常热的一个研究方向,它能够从原始的像素出发通过多层结构自动学习有效特征并在输出层实现分类。本文将基于深度学习的特征学习方法引入到高光谱遥感图像处理中,结合像元的光

2、谱特征,设计了一种深度学习网络,能够从高光谱数据上百个波段中提取有用的信息并分类,与其他基于深度学习的分类方法相比,正确率得到了显著的提升。同时,训练好的网络具有很好的泛化性能,可以直接提取同种传感器获取的其他高光谱图像数据,与传统的SVM、SVM-CK等分类方法比较,正确率得到了显著的提升。关键词:高光谱图像,特征提取,深度学习,卷积神经网络42本科毕业设计论文AbstractComparedwiththetraditionalclassificationmethod,twomajorproblemsfacingthehyperspectralimageprocessingis:First,

3、highspectralresolution,spectralcurvenearlycontinuous,datavolume,dataredundancyisserious,spectralcorrelationisstrong;theotheristhespaceresolutionislimited,therearealotofmixedpixels,"Hughes"phenomenonhighlights."Featurelearning"startingfromtheoriginalpixelbyspecificneuralnetworkarchitecture,andcanauto

4、maticallydiscoverthehiddenimagepatterntolearnthefeatures.Itaccesstoanunprecedenteddevelopmentinrecentyears,andhavebecomeahottopicinternationalsignalprocessingandpatternrecognitionfield.Deeplearningisamultilayerneuralnetworkarchitecture,andhasbeenahotresearchdirectionofmachinelearning,itcanautomatica

5、llylearnfeaturesbyamultilayerstructureandclassifyitintheoutputlayer.Thisarticlewillintroduceafeaturelearningmethodbasedondeeplearning,whichcombinedwiththespectralcharacteristicsofpixelscanlearnthedeepfeatureofhyperspectralremotesensingimage,andbeabletoextractusefulinformationfromhyperspectraldatacla

6、ssificationandhundredsofbands.Comparedwithotherclassificationmethodbasedondeeplearning,theaccuracyhasbeensignificantlyimproved.Meanwhile,thetrainednetworkhasgoodgeneralizationperformance,directextractionofhyperspectralimagedatawithothertypesofsensorsobtained,comparedwiththetraditionalclassificationm

7、ethodlikeSVM,SVM-CKetal.,theaccuracyhasbeensignificantlyimproved.KEYWORDS:hyperspectralimage,featureextraction,deeplearning,convolutionalneuralnetwork42本科毕业设计论文42本科毕业设计论文目录第一章绪论11.1研究的背景和意义11.2高光谱图像特征

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。