论文部分内容阅读
随着高光谱遥感技术的快速发展,高光谱遥感数据的光谱分辨率和空间分辨率日益提高,在社会生活各个领域的应用也越来越广泛。高光谱遥感数据拥有特别丰富的空间信息和光谱信息,尤其是光谱信息。利用其丰富的空间信息和光谱信息,可以对高光谱图像进行一系列的分析与处理,包括地物分类。本论文主要在基于空域滤波的方法和生成式对抗网络模型的基础上,对高光谱图像的地物分类问题展开研究,最终目的是进一步提高现有高光谱图像的分类效率与精度,从而更加方便高光谱数据后续的信息再次利用与处理。论文的研究内容主要包括以下几个方面:1.随着高光谱图像的空间分辨率日益提高,丰富的空间信息给后续数据的分析处理带来了不可替代的价值,利用空间信息进行分类可以很有效地提高分类精度。论文提出一种基于空域滤波配合SVM分类器来进行高光谱图像分类效果和分类时间提升的方法,巧妙的利用空域滤波对数据的平滑特性,合理的加入数据的空间信息,来有效的对后续的分类效果和分类时间进行双重提升。另外论文对现存的几种比较有代表性的空谱联合的经典分类方法做了一个比较系统的统计与分析,在证明本工作点算法高效性的同时,为滤波类高光谱图像分类方法在实际工程中的应用提供一个理论指导。2.生成式对抗网络是一种由两个网络组成的生成式网络模型。论文提出一种将生成式对抗网络运用于高光谱图像分类的方法,在该网络模型中,生成式对抗网络的最终目的不再是生成模拟真实数据的样本,而是意在分类,也就是把判别网络训练成一个适合于高光谱图像分类的分类器,在这其间生成网络起到了一个很好的辅助分类的作用。具体做法是对判别网络输出结构进行改进使之成为分类网络,同时对生成网络和判别网络的损失函数做相关的改进变形,使之成为了一个适合于高光谱图像分类的半监督网络模型。论文同样在此工作点利用光谱信息和空谱结合信息分别做了实验,以充分证明该方法的有效性。