论文部分内容阅读
高光谱遥感技术是二十世纪末人类对地观测技术的重大突破之一，应用领域广泛。针对高光谱遥感图像分类领域，现有机器学习算法能够较好解决遥感图像分类问题。但随着遥感图像的光谱分辨率和空间分辨率越来越高，应用场景中的地物分布越来越复杂，现有机器学习算法无法较好的处理大规模数据。另外，邻域空间信息(Neighbor region spatial information)是遥感图像分类中获取空间信息的常用手段，但是遥感图像中不同位置的同类像素的邻域空间信息差别较大，这会严重影响分类结果。目前这些问题成为制约高光谱遥感图像分类的瓶颈。本文针对高光谱遥感图像分类中所存在的这些问题，对自编码网络以及邻域空间信息进行改进，并尝试使用深度信念网络对遥感图像进行分类。 本研究主要内容包括：⑴提出基于k稀疏降噪自编码的分类模型。针对自编码网络中的稀疏性不够彻底的问题，引入k稀疏性，确保对每个输入样本都能实现稀疏编码。针对同类像素邻域空间信息差异较大的问题，提出限定性空间信息(Restricted spatial information)，有效地降低了邻域空间信息对分类效果的影响。⑵采用基于深度信念网络的分类模型。针对遥感图像数据量越来越大的问题，采用深度信念网络对高光谱遥感图像进行特征提取，实现了数据量较大情况下的高性能分类。针对限定性空间信息方法中存在需要调试的参数的问题，提出了地标空间信息(Landmark spatial information)，消除了需要调试的参数，提高了限定性空间信息方法的可操作性。⑶将上述分类模型应用在高光谱遥感图像分类当中，通过两个公开数据集进行实验。实验表明当训练样本较多时深度学习方法相对于传统方法有一定的优势，分类结果更加稳定；限定性空间信息相对于邻域空间信息更加有效。