發(fā)布時間：2024-05-15 01:52

　　高光譜圖像起源于遙感技術,應用領域包括地質、生物、醫(yī)學和軍事等。高光譜圖像為三維數據,由光譜信息和圖像信息組成,具有數據量龐大且冗余、光譜波段多以及波段間相關性高等特點,如何從高光譜圖像中提取不變和魯棒的特征,并進行準確分類是高光譜圖像分類問題的關鍵。深度學習一經問世,在文本、語音、圖像和視頻的處理上都取得了成功,在更高維度的圖像上應用深度學習也成為了新的挑戰(zhàn)。卷積神經網絡是深度學習中較為基礎并且應用廣泛的網絡結構,但存在所需訓練樣本多、圖像多義性表達差、池化層忽視大量信息的缺點。相比之下,膠囊網絡(Caps Net)中的膠囊,將所有特征的狀態(tài)信息,無論低級高級,均以向量的形式進行封裝,與標量相比,將向量作為網絡的輸入,可以更完整地利用圖像信息,保留更多的特征,低級別的膠囊通過動態(tài)路由機制向高級別的膠囊傳遞信息,層層抽象并分類,得到分類結果�；�于以上原因,本文將非線性降維方法KPCA與擴展形態(tài)學輪廓方法(EMP)相結合,并應用3D-Caps Net進行高光譜圖像的分類,即KE-3D-Caps Net,具體工作有:首先,針對高光譜圖像數據量龐大、波段信息冗余的特點,采用具有高斯核的KPC...

【文章頁數】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現狀
    1.3 課題主要研究內容
    1.4 論文組織架構
第2章 高光譜圖像分類方法的相關理論
    2.1 高光譜圖像數據特性
    2.2 高光譜圖像分類方法的基本理論
        2.2.1 降維
        2.2.2 數學形態(tài)學相關理論
        2.2.3 分類結果的評價標準
        2.2.4 高光譜圖像的常用分類方法
    2.3 深度學習相關理論
        2.3.1 卷積神經網絡相關理論
        2.3.2 膠囊網絡的基礎理論
    2.4 本章小結
第3章 基于KE-3D-CapsNet的高光譜圖像分類方法
    3.1 基于KPCA的光譜信息降維
    3.2 基于EMP的空間信息提取
    3.3 3D-CapsNet
        3.3.1 網絡結構
        3.3.2 工作原理
    3.4 基于KE-3D-CapsNet的高光譜圖像分類方法的具體實現
    3.5 本章小結
第4章 高光譜圖像分類實驗及結果分析
    4.1 實驗數據集及平臺
        4.1.1 實驗數據集
        4.1.2 實驗平臺
    4.2 實驗與實驗結果分析
        4.2.1 實驗參數
        4.2.2 實驗結果分析
    4.3 本章小結
結論
參考文獻
攻讀學位期間發(fā)表的學術論文
致謝



本文編號：3973725