高光谱图像分类的研究进展

论文摘要

高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点,对图像中的每个像素进行分门别类,以达到对地物目标进行高精度分类和自动化识别的目的,是对地观测的重要组成部分。在分析高光谱图像特点的基础上,本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较,通过具体实验的结果对比,直观地展现各种算法的优劣。针对高光谱分类问题,本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面,在算法研究上,高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度,利用多源遥感数据、多特征综合、多尺度复合,提升小样本、少参数分类模型的分类精度,适应智能化、快速化高光谱遥感对地观测的发展要求;另一方面要紧密结合市场应用需求,重视高光谱图像在实际中的应用,研究具有市场竞争力的高效分类算法,提升高光谱图像分类在遥感技术应用领域的竞争力。

论文目录

• 1 引言
• 2 普通机器学习方法在高光谱图像分类中的应用
•   2.1 无监督学习分类
•   2.2 监督学习分类
• 3 深度学习的分类方法在高光谱中的应用
•   3.1 栈式自编码网络 （SAE）
•   3.2 深度置信网络 （DBN）
•   3.3 卷积神经网络 （CNN）
•     3.3.1 CNN的基本框架
•     3.3.2 基于CNN的高光谱图像分类算法
• 4 各算法性能对比与分析
• 5 总结与展望

文章来源

类型: 期刊论文

作者: 闫敬文,陈宏达,刘蕾

关键词: 高光谱图像,像素级分类,机器学习,深度学习

来源: 光学精密工程 2019年03期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 工业通用技术及设备,自动化技术

单位: 汕头大学工学院电子系,汕头大学医学院

基金: 国家自然科学基金资助项目(No.61672335,No.61601276),广东省自然科学基金资助项目(No.2016A030310077)

分类号: TP751

页码: 680-693

总页数: 14

文件大小: 682K

下载量: 1068