資源描述：
《高光譜遙感圖像空譜聯(lián)合分類(lèi)方法研究.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第３７卷第６期儀器儀表學(xué)報(bào)Ｖｏｌ３７Ｎｏ６２０１６年６月ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＳｃｉｅｎｔｉｆｉｃＩｎｓｔｒｕｍｅｎｔＪｕｎ．２０１６高光譜遙感圖像空譜聯(lián)合分類(lèi)方法研究１１２１李鐵，孫勁光，張新君，王星（１．遼寧工程技術(shù)大學(xué)電子與信息工程學(xué)院葫蘆島１２５１０５；２．大連理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院大連１１６０２４）摘要：在遙感影像研究領(lǐng)域里，高光譜數(shù)據(jù)分類(lèi)是一個(gè)熱點(diǎn)問(wèn)題。近年來(lái)，在這個(gè)問(wèn)題上涌現(xiàn)出很多研究方法，然而，大多數(shù)方法都是用淺層的方法提取原始數(shù)據(jù)的特征。將深度學(xué)習(xí)的方法引入高光譜圖
2、像分類(lèi)中，提出一種新的基于深信度網(wǎng)絡(luò)（ＤＢＮ）的特征提取方法和圖像分類(lèi)架構(gòu)用于高光譜數(shù)據(jù)分析。將譜域空域特征提取和分類(lèi)器相結(jié)合提高分類(lèi)精度。使用高光譜數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明該分類(lèi)器優(yōu)于當(dāng)前的一些先進(jìn)的分類(lèi)方法。此外，本文還揭示了深度學(xué)習(xí)系統(tǒng)在高光譜圖像分類(lèi)研究中具有的巨大潛力。關(guān)鍵詞：深信度網(wǎng)絡(luò)；深度學(xué)習(xí)；特征提取；高光譜圖像分類(lèi)中圖分類(lèi)號(hào)：ＴＰ７５１ＴＨ７６１．７文獻(xiàn)標(biāo)識(shí)碼：Ａ國(guó)家標(biāo)準(zhǔn)學(xué)科分類(lèi)代碼：５１０．４０５０Ｓｐｅｃｔｒａｌｓｐａｔｉａｌｊｏｉｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｈ
3、ｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ１１２１ＬｉＴｉｅ，ＳｕｎＪｉｎｇｕａｎｇ，ＺｈａｎｇＸｉｎｊｕｎ，ＷａｎｇＸｉｎｇ（１．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＬｉａｏｎｉｎｇＴｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｈｕｌｕｄａｏ１２５１０５，Ｃｈｉｎａ；２．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＤａｌｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｄａｌｉａｎ１１６０２４，Ｃｈｉｎａ）Ａ
4、ｂｓｔｒａｃｔ：Ｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｅｓｅａｒｃｈａｒｅａ，ｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｃｌａｓｓｉｆｉｃａｔｉｏｎｉｓａｈｏｔｔｏｐｉｃ．Ｉｎｒｅｃｅｎｔｙｅａｒｓ，ｍａｎｙｓｔｕｄｙｍｅｔｈｏｄｓｆｏｒｔｈｉｓｉｓｓｕｅｅｍｅｒｇｅ；ｈｏｗｅｖｅｒ，ｔｈｅｍａｊｏｒｉｔｙｏｆｔｈｅｍｅｔｈｏｄｓａｄｏｐｔｔｈｅｓｈａｌｌｏｗｌａｙｅｒｍｅｔｈｏｄｔｏｅｘｔｒａｃｔｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｏｒｉｇｉｎａｌｄａｔａ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｄｅｅｐｓｔｕｄ
5、ｙｍｅｔｈｏｄｉｓｉｎｔｒｏｄｕｃｅｄｉｎｔｈｅｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ；ａｎｅｗｃｈａｒａｃｔｅｒｉｓｔｉｃｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄａｎｄｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｃｏｎｓｔｒｕｃｔｉｏｎｂａｓｅｄｏｎｄｅｅｐｂｅｌｉｅｆｎｅｔｗｏｒｋ（ＤＢＮ）ｉｓｐｒｏｐｏｓｅｄ，ａｎｄｕｓｅｄｉｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｎａｌｙｓｉｓ．Ｔｈｅｓｐｅｃｔｒａｌｓｐａｔｉａｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｅｒａｒｅｃｏｍ
6、ｂｉｎｅｄｔｏｇｅｔｈｅｒｔｏａｃｈｉｅｖｅｈｉｇｈｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｅｘｐｅｒｉｍｅｎｔｗａｓｃａｒｒｉｅｄｏｕｔｕｓｉｎｇｔｈｅｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ；ｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｃｌａｓｓｉｆｉｅｒｉｓｓｕｐｅｒｉｏｒｔｏｓｏｍｅｃｕｒｒｅｎｔａｄｖａｎｃｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｉｓｐａｐｅｒａｌｓｏｒｅｖｅａｌｓｔｈａｔｔｈｅｄｅｅｐｌｅａｒｎｉｎｇｓｙｓｔ
7、ｅｍｈａｓｇｒｅａｔｐｏｔｅｎｔｉａｌｉｎｔｈｅｓｔｕｄｙｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ．Ｋｅｙｗｏｒｄｓ：ｄｅｅｐｂｅｌｉｅｆｎｅｔｗｏｒｋ（ＤＢＮ）；ｄｅｅｐｌｅａｒｎｉｎｇ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ（ＦＥ）；ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ在高光譜數(shù)據(jù)分類(lèi)的初期，引入了大量的機(jī)器學(xué)習(xí)１引言方法來(lái)解決分類(lèi)問(wèn)題，典型的算法包括Ｋ近鄰、最大似［９１０］然、最小距離和邏輯回歸（ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ，ＬＲ）。［１
8、５］高光譜數(shù)據(jù)能同時(shí)提供空域和譜域信息，因此，針對(duì)高光譜數(shù)據(jù)量大，特征維數(shù)高的特點(diǎn)，提出了許多降高光譜數(shù)據(jù)具有廣泛的應(yīng)用。例如農(nóng)業(yè)、礦物學(xué)、監(jiān)測(cè)、低特征維數(shù)的方法。這些方法主要有兩種，一種是特征［６８］天文學(xué)和環(huán)境科學(xué)。對(duì)高光譜影像中每個(gè)像素進(jìn)行選擇，一種是特征提取。特征選擇是找到原始波段的一分類(lèi)是應(yīng)用中需要解決的問(wèn)題。由于分類(lèi)的重要性，在個(gè)合適的子集，而特征提取是在變換后的特征空間中尋［１１］最近的二十年中人們已經(jīng)研究出
