基于深度学习的高光谱图像分类方法研究

The current design of hyperspectral data classification is facing enormous challenges.Exploration of traditional pattern recognition and signal processing technology is a shallow learning structure containing only a single nonlinear transform.The limitation is that the finite sample and calculation unit under the condition of complex function that the limited capacity for complex classification problems and their generalization ability is restricted.The deep learning by learning a deep nonlinear network structure, the realization of complex function approximation and characterization of the input data distributed said, and show the powerful from a small sample learning data set of essential characteristics..Therefore, to explore the deep learning theory to solve the classification problem of hyperspectral image is very important.This project aims at deep learning method for modeling of hyperspectral image classification is a complex problem and explore the internal mechanism.Carry out the deep learning structure modeling for hyperspectral image classification research, network training strategy and the best depth of the network.Focus on the influence of different input features of hyperspectral image classification results on the theory of deep learning, the hyperspectral image classification algorithm based on deep learning.This research project to explore hyperspectral image classification framework, improve the classification accuracy of hyperspectral image, the optimization of deep learning training strategies have very positive effects.

当前高光谱数据分类器的设计面临巨大挑战，传统模式识别和信号处理技术探索的是仅含单层非线性变换的浅层学习结构。其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。因此，探索采用深度学习理论解决高光谱图像分类问题具有非常重要的意义。本项目旨在探寻适合高光谱图像分类这一复杂问题的深度学习建模方法以及内在作用机理。深入开展适合高光谱图像分类的深度学习结构建模，网络训练策略以及最佳网络深度方面的研究。重点研究不同输入特征对深度学习理论进行高光谱图像分类结果的影响，提出基于深度学习的高光谱图像分类算法。本项目的研究对于探寻新的高光谱图像分类框架，提高高光谱图像分类精度，优化深度学习训练策略等方面都有十分积极的作用。

当前高光谱数据分类器的设计面临巨大挑战，传统模式识别和信号处理技术探索的是仅含单层非线性变换的浅层学习结构。其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。因此，探索采用深度学习理论解决高光谱图像分类问题具有非常重要的意义。本项目取得的研究成果包括：研究了不同CNN框架下高光谱分类的精度影响，深度学习框架应在降低模型的复杂度、增强训练过程、提高学习策略等方面优化。研究了基于Gabor变换的特征提取方法，提出了两种基于多特征和局部保护分析的决策融合分类方法，充分挖掘了高光谱图像的谱间-空间特征，保护了局部相邻像素间的相关性。在传统的局部二值模式（LBP）的基础上，研究了基于幅度的局部二值模式特征提取方法，并将该方法与马尔科夫随机场模型结合对高光谱图像进行分类。研究了三种适用于高光谱图像的局部保护降维方法（LPP、LFDA和LPNMF），并将其与高斯混合模型分类器（GMM）结合对高光谱图像进行分类；研究了不同CNN框架下高光谱分类的精度影响。本项目的研究对于探寻新的高光谱图像分类框架，提高高光谱图像分类精度，优化深度学习训练策略等方面都有十分积极的作用。