基于DBN的高光谱遥感影像分类方法研究

《基于DBN的高光谱遥感影像分类方法研究》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、中图分类号：TP75论文编号：2017301094UDC：密级：公开硕士学位论文基于DBN的高光谱遥感影像分类方法研究作者姓名：赵自雨学科名称：测绘工程研究方向：地理信息系统原理与应用学习单位：华北理工大学学制:2.5年提交日期：2018年12月1日申请学位类别：工程硕士导师姓名：刘亚静教授单位：华北理工大学矿业工程学院陈光高工单位：唐山中交兴路信息科技有限公司论文评阅人：杨可明教授单位：中国矿业大学（北京）地测学院汪金花教授单位：华北理工大学矿业工程学院论文答辩日期：2018年1月22日答辩委员会主席：赵红蕊

2、教授关键词：高光谱遥感；分类；深度学习；深度置信网络；机载雷达唐山华北理工大学2018年3月ResearchonHyperspectralRemoteSensingImageClassificationBasedonDeepBeliefNetworksDissertationSubmittedtoNorthChinaUniversityofScienceandTechnologyinpartialfulfillmentoftherequirementforthedegreeofMasterofEngineeri

3、ngbyZhaoZiyu(SurveyingandMappingEngineering)ProfessorLiuYajingSupervisor:Ph.DChenGuangMarch,2018独创性说明本人郑重声明：所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得华北理工大学以外其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢

4、意。论文作者签名：日期：2018年1月27日关于论文使用授权的说明本人完全了解华北理工大学有关保留、使用学位论文的规定，即：已获学位的研究生必须按学校规定提交学位论文，学校有权保留、送交论文的复印件，允许论文被查阅和借阅；学校可以将学位论文的全部或部分内容采用影印、缩印或编入有关数据库进行公开、检索和交流。作者和导师同意论文公开及网上交流的时间：☑自授予学位之日起□自年月日起作者签名：导师签名：签字日期：2018年1月27日签字日期：2018年1月27日摘要摘要随着高光谱遥感成像技术的飞快发展，高光谱数据维度不

5、断增加。在面对高光谱数据多维度、非线性、数据量大的特点下，如何从其中挖掘特征信息并实现数据分类，成为了高光谱遥感图像解译处理中的重要问题。作为应用在图像识别方面取得成功算法，深度置信网络具有小样本学习、高维空间、非线性等特点，成为高光谱遥感影像分类的一个研究热点。本课题尝试将深度置信网络应用在高光谱数据分类中，利用其深度学习的优势去解决高光谱数据分类问题。首先对深度学习中的深度置信网络理论架构做了研究，构建了支持深度置信网络的Matlab算法，并通过该平台实现了高光谱数据的特征提取和数据分类，最后对高光谱数据与

6、机载雷达数据进行了融合并利用模型分类和分类后评价。在分析深度置信网络（DeepBeliefNetwork，DBN）的基础上，研究基于深度置信网络的高光谱数据分类方法，通过实验证明，采用信息熵的方法确定针对不同数据的网络模型最佳隐含层层数分类精度最高。针对具有较多波段数的机载高光谱影像，提出了一种基于马氏距离波段选择方法，通过该方法剔除了冗余的波段，实现了数据的降维。高光谱数据中同时包含光谱和空间信息，分别从光谱、空间和光谱-空间三个特征空间对数据处理分析，并和支持向量机分类进行了结果对比，实验表明，两种分类器利

7、用光谱-空间特征的分类结果均好于单一特征的分类结果，在分类精度上DBN分类器高于SVM分类器3.78%。此外，为充分证明DBN模型对特征挖掘的能力，利用该模型实现了对机载高光谱影像与机载雷达影像的融合数据的分类，结果表明DBN分类效果好于SVM分类效果，同时融合数据的分类精度也高于高光谱数据的分类结果。图32幅；表17个；参69篇。关键词：高光谱遥感；分类；深度学习；深度置信网络；机载雷达分类号：TP75--I华北理工大学硕士学位论文AbstractWiththerapiddevelopmentofhypers

8、pectraldataspectroradiometerofhighspatialandspectralresolution.Howtoextractfeatureinformationandclassifydatahasbecomeanimportantprobleminhyperspectraldataclassificationinthefaceofthefeaturesucha