基于深度卷积神经网络的高光谱图像目标检测算法

发布时间：2024-02-17 20:40

　　目前,深度学习是大数据处理下最热门的研究方向之一。由于其强大的学习能力,卷积神经网络及其衍生模型被广泛应用到高光谱图像处理领域,通过深层神经网络挖掘图像潜在分布的多层表达并进行特征提取,面向分类检测等应用,取得了很好的效果。鉴于卷积神经网络在高光谱遥感数据处理的有效性,本文从异常检测和目标检测两个方面开展了基于深度卷积神经网络的高光谱图像检测算法的研究。首先,从高光谱成像机理入手,分析了地物的光谱特性及成像的影响因素,总结了经典高光谱图像目标检测算法和异常检测算法,重点讨论了经典检测算法面临的问题与挑战。同时,引入了高光谱图像处理领域中应用广泛的卷积神经网络,阐述了其用于目标检测的优势与意义,为确定基于深度卷积神经网络的目标检测算法提供了理论基础。其次,针对高光谱图像目标检测样本量少,不足以训练深层卷积神经网络的问题,提出了一种减法像素配对模型。在该算法中,将同类地物样本和不同类地物样本进行类间和类内的配对并执行光谱维的减法运算,生成了新的数据集;在新数据集中,通过原始目标类样本和其它类样本配对产生的新样本被标记为新数据集中的目标类,通过各原始背景类样本类内和类间的配对产生的新样本被标...

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 高光谱遥感图像目标检测研究现状
        1.2.2 高光谱遥感图像异常检测研究现状
        1.2.3 深度学习在高光谱遥感图像处理中的应用研究
    1.3 数据准备
    1.4 论文的主要工作
第二章 高光谱图像特性分析及目标检测方法
    2.1 引言
    2.2 高光谱图像数据特性分析
        2.2.1 高光谱遥感图像的数据表达
        2.2.2 高光谱数据特性
        2.2.3 高光谱成像的影响因素
    2.3 高光谱图像目标探测中的挑战
        2.3.1 感兴趣目标和异常点的存在形式
        2.3.2 高光谱目标探测面临的问题与挑战
    2.4 经典高光谱图像目标/异常检测算法
    2.5 经典目标检测算法的实验结果与分析
        2.5.1 评价指标
        2.5.2 8种经典高光谱目标检测算法实验与分析
        2.5.3 3种高光谱异常检测算法实验与分析
    2.6 本章小结
第三章 基于减法像素配对模型的CNN高光谱图像目标检测算法
    3.1 引言
    3.2 卷积神经网络理论及应用意义
        3.2.1 卷积层
        3.2.2 下采样层
        3.2.3 反向传播
        3.2.4 图像处理选择CNN的意义
    3.3 减法像素配对模型subtraction-PPF
    3.4 PPF,SPPF和 subtraction-PPF的比较
    3.5 卷积神经网络框架
    3.6 基于CNN的高光谱目标检测流程
    3.7 实验与分析
        3.7.1 实验参数设置
            3.7.1.1 窗口尺寸
            3.7.1.2 卷积核尺寸
            3.7.1.3 学习率
            3.7.1.4 样本数
        3.7.2 CNN检测结果
            3.7.2.1 图像1的检测结果
            3.7.2.2 图像2的检测结果
            3.7.2.3 图像3的检测结果
            3.7.2.4 图像4的检测结果
    3.8 本章小结
第四章 基于组合测度向量的CNN高光谱图像异常检测算法
    4.1 引言
    4.2 组合测度向量
        4.2.1 兰氏距离
        4.2.2 光谱梯度角
        4.2.3 光谱曲线形状
        4.2.4 光谱信息散度
        4.2.5 组合测度向量Mix vector
    4.3 基于CNN的异常检测
    4.4 轻量化CNN
    4.5 实验参数设置
    4.6 检测结果与分析
        4.6.1 图像5异常检测结果
        4.6.2 图像6异常检测结果
    4.7 本章小结
第五章 结束语
    5.1 本文主要研究成果
    5.2 下一步工作展望
致谢
参考文献
作者在学期间取得的学术成果



本文编号：3901291