基于深度學習的多特征高光譜遙感圖像分類研究.pdf

1、高光譜遙感圖像具有很強的信息表達能力，其光譜分辨率通常在10nm的數(shù)量級。隨著更為精密的高光譜傳感器的應用，以及遙感技術幾十年的發(fā)展，高光譜圖像技術獲得了極大地提升，成為監(jiān)測地球表面的十分有價值的工具，并具有廣泛的應用，其在農業(yè)、天文學、環(huán)境科學等領域有著突出的表現(xiàn)。
　　高光譜遙感圖像豐富的光譜維度使得它并不適用于在多光譜圖像上效果出眾的統(tǒng)計分類器上。高光譜遙感圖像包含豐富的空間特征信息，如何合理有效的利用高光譜遙感圖像的空間信

2、息也是當下面對的一項問題。本文從高光譜遙感圖像的空間特征、光譜特征兩個方向，對高光譜遙感圖像進行地物分類。主要研究成果如下。
　　首先，本文利用主成分分析降維技術，在光譜信息損失極小的代價下，顯著降低了光譜維度。主成分分析是一種非線性的降維技術，在處理非高斯分布的數(shù)據(jù)時，有著較為理想的效果。
　　其次，在普遍的高光譜遙感圖像分類算法中，往往只是研究光譜圖像的光譜信息，忽略了地物的空間特征信息，本文針對高光譜遙感圖像的空間特征

3、，使用引導濾波的方法，逐像素選取不同尺寸的窗口，提取多尺度高光譜空間特征。通過調整各個尺度特征的權重，進一步優(yōu)化高空間特征。將高光譜遙感圖像光譜特征向量、空間特征向量合并成“光譜-空間”特征向量，更大程度上的提取原始高光譜圖像中的特征信息。
　　然后，通過調研傳統(tǒng)基于統(tǒng)計學方法的機器學習分類器，與新興深度學習方法分類器在高光譜遙感圖像分類應用上的優(yōu)劣。通過構造基于無監(jiān)督的稀疏棧式自編碼神經網(wǎng)絡，對高光譜遙感圖形進行訓練學習。棧式自