1、基于深度学习的高光谱图像特征学习研究 电 子信息学院 电子信息工程 毕业论文 答 辩 指导老师 ： 答辩 人 ： 目录 CONTENTS 第一部分 研究意义 第二部分 研究内容 第三部分 网络结构 第四 部分 实验结果 第五 部分 分 析总结 第一部分 研究意义 1 研究意义 本文 将基于深度学习的特征学习方法引入到高光谱遥感图像处理中，结合像元的光谱特征，设计了一种深度学习网络，能够从高光谱数据上百个波段中提取有用的信息并分类，与其他基于深度学习的分类方法相比，正确率得到了 显著 的 提升 ，效果要比当前国际最新的方法（ RPCA+CNN）性能更好。 1 研究意义 同时 ，训练好的网络具有很
2、好的 泛化性能 ， 可以 直接 从 同种传感器获取的其他高光谱图像数据 中 自动习得 相应的特征 ，而不需要图像的其它先验信息与繁琐的参数调整。相比于原始数据 ， 自动习得的特征分类 正确率得到了显著的提升。 第二部分 研究内容 2 研究内容 网络设计 直接分类 特征学习 2 研究内容 -网络设计 2 研究内容 -直接分类 直接分类 2 实验结果 -分类 网络类型 Pavia University Pavia Centre 3 3 均值 3.86(3.830.37) 0.50(0.510.05) 5 5 均值 2.13(2.140.20) 0.32(0.360.11) 3 3 均值 +方差 3
3、.23(3.240.19) 0.44(0.450.06) 均值 +方差 1.77(1.810.23) 0.29(0.310.04) RPCA+CNN 6.75(6.580.84) 1.35(1.460.13) AVIRIS传感器数据集错误率总表 ROSIS传感器数据集错误率总表 网络类型 Indian Pines Salina 3 3 均值 4.97(4.840.60) 3.43(3.410.26) 5 5 均值 3.03(3.050.31) 2.04(2.090.24) 3 3 均值 +方差 5.14(5.270.62) 3.99(3.980.28) 5 5 均值 +方差 2.83(2.820.17) 2.37(2.390.30) RPCA+CNN 22.81(22.530.85) 7.36(7.390.35)
