基于深度学习的高光谱图像分类研究
一、研究背景及意义
随着现代科学技术的不断创新，高光谱遥感技术作为一门综合性比较强的科学技术已经进入了一个全新的发展阶段。高光谱是指光谱分辨率达到10-2lambda;数量级的一种光谱图像，它的每一个像素对应于不同的光谱曲线，所以人们经常利用高光谱图像的这一特点，即光谱的反射特点来识别地球上的物体。高光谱图像是一种三维的立方体的图像数据，它是由一个二维平面图像（反应的是真实地物）和一个具有高维反射率的光谱维度向量组成。高光谱图像能成为遥感研究和应用领域前沿的主要原因就是因为它有着一般图像没有的光学特性并且有较强的光谱识别能力。
在许多高光谱技术的应用领域中，根据高光谱图像对地物信息进行分类都是一个重要的环节，但其独特的图像特点使得一些其他领域内有效的算法在高光谱领域内难以应用，高光谱图像最典型的特点是其较高的光谱分辨率，动辄数百维的光谱维数带来的“维数灾难”使得许多适用于小维度问题的算法在高光谱数据上效果很差，因此如何在降低维度的同时保留有效光谱信息是高光谱分类中的重要问题。除了光谱信息外，高光谱图像中还包含了空间歇性，采取适当方法融合两种信息能极大地提高识别准确率。
近年来，深度学习的方法发展迅速，它的基础结构是多层神经网络，数据在网络中从后向前传播，随着层级的提高，特征也越来越抽象，越来越高级。由于大部分数据背后均隐含着高级特征向低级特征组合而成这一假设，使得以多层神经网络为基础的深度学习法可以用于各种数据。研究者们提出了各种结构的神经网络，比如卷积神经网络（CNN）、循环神经网络（RNN）等。深度学习方法之所以能在多个领域内达到领先水平，与其灵活地网络结构是分不开的，若能根据高光谱数据的特点设计出专用的网络结构，则有望大大提高分类准确率。
国内外研究现状
高光谱图像分类的主要目的就是把图像中蕴含的地面物体信息通过比对和分析划分成多个不同类别。近年来，各种优秀的分类思想在高光谱图像分类领域上得到了很多的应用。高光谱图像分类方法可以分为两大类别：监督分类和非监督分类。
- 非监督分类方法
在非监督分类方法中，不需要训练样本，二是直接通过高光谱图像数据的组织方式，根据分类准则进行自学习，该类方法简单，实现速度快，且不需要预先指导高光谱图像数据的统计特征。在模式识别中，非监督分类方法也被称为聚集方法，即将具有相似特征的数据进行归类的方法。比较典型的非监督分类方法有K均值算法、ISODATA算法等。
- 监督分类方法
高光谱图像常用监督分类进行定量分析，其主要思想是通过对各分类器对输入的已标定类别的训练的样本进行学习，提取高光谱图像中各像素的关键特征，在合适的分类依据下进行分类，最后得到分类结果。目前，主要的高光谱图像监督分类方法有：基于光谱特征的分类、基于空间结构信息与光谱信息融合的分类。
基于光谱特征空间的分类是在提取和变换高光谱图像的光谱特征的基础上，利用数据的统计特性来建立分类的模型，该类方法包括支持向量机模型（SVM）、卷积神经网络模型（CNN）等。
与一般的神经网络相比，卷积神经网络在进行图像处理方面有着突出的表现：1）通过神经元的局部连接和权值共享模式减少了网络的连接数和训练参数，提高了运行效率，同时简单的网络结构更能够适应多种分类任务；2）网络拓扑结构适合图像数据的输入，可以直接对图像的二维矩阵进行处理；3）特征提取过程和模式分类过程可在训练的过程中同时进行，避免了复杂的、随机性的、不靠谱的显式的特征提取过程。
支持向量机算法的核心内容是在统计学理论的肩膀上发展起来的一门机器学习算法。其核心思想是把样本投射到高维的特征空间来构建分类所需的超平面，再应用VC维理论和结构风险最小化原理，借助于最优化方法等使得分类结构风险上界最小，在恒大程度上解决高维数据的分类问题。但是当样本数量较大时，学习的速率会减慢，对内存要求较高，支持向量的数目也呈线性增加，这会降低分类精度。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
