基于深度特征编码的高光谱图像分类-应用数学专业论文.docxVIP

独创性声明 本人声明所呈交的学位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，除文中已经标明引用的内容外，本论文不包含任何其他 个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集 体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本论文属于 保密□，在 年解密后适用本授权书。 不保密□。 (请在以上方框内打―√‖) 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 华 华 中 科 技 大 学 硕 士 学 位 论 文 I I 摘 要 随着高光谱图像数据的应用越来越广泛，其分类问题一直是高光谱图像研究的 重点和难点。 首先，本文分析了高光谱图像数据的特性，阐述了当前高光谱图像分类算法的 研究方法和科研进展，并对几类常见的分类算法进行了文献综述，介绍了相关研究 背景和研究的意义。接着总结了当前高光谱图像预维数约简的一些方法，并给出了 评价分类算法性能的指标分类精度和 Kappa 系数的定义。 其次，介绍了神经网络分类器，并给出了深度学习算法框架下的栈式自编码算 法的理论基础和模型构建。在此基础上，针对高光谱图像数据内部独有的结构与潜 在的模式，构建了基于深度特征编码的深度学习分类算法。更进一步，结合支持向 量机算法，建立了基于深度特征编码的支持向量机分类算法。 再次，在 Pavia、KSC 高光谱数据库中，对文中建立的模型进行了数值验证，对 文中提出的基于深度特征编码的深度学习分类算法(DFE)和基于深度特征编码的支 持向量机分类算法(DFE+SVM)与支持向量机分类和栈式自编码算法进行了比较，文 中提出的算法分类精度在 Pavia、KSC 数据库中均有优异的表现，得到分类精度 (96.1%，96.5%；93%，92.3%，Pavia)和 kappa 系数(95.6%，96.1%，KSC；93%，91.8%， Pavia)，高出支持向量机和栈式自编码算法 3%左右。 在对算法的一些参数进行了深入分析之后发现，算法的分类精度和 kappa 系数 随着隐藏层单元数目的不同发生变化，数目为 60 的时候分类效果最好。随着网络训 练参数 epochs 的增加，分类精度和 kappa 系数越高。而训练样本比例较小的时候， 其对分类精度和 kappa 系数的影响大，比例越大，分类精度和 kappa 系数越高，可达 到 97.3%(Pavia)。 最后，对文中所做工作进行了总结，提出了进一步的展望。 关键词：高光谱图像分类；深度学习；自编码算法；支持向量机；深度特征编码 II II Abstract With the application of hyperspectral image data more widely, and hyperspectral image data fusion of spectral information and geographical information surface material, the classification has been the focus and difficulty of hyperspectral image research. Firstly, this paper describes the characteristics and current classification methods in hyperspectral image, including several types of common classification. Summarizes some of the current methods of hyperspectral image preprocessing classification dimensionality reduction, and gives the definition of assessment and classification algorithm performance indicators Kappa coefficient and classification accuracy. Secondly, the introduction of the neural network c