基于深度学习的高光谱图像分类的研究

基于深度学习的高光谱图像分类的研究

朱鑫运

河南工程学院（二级学院：土木工程学院） 河南新郑市 451100

摘要:高光谱图像分类一直是遥感领域的研究热点。由于高精度光谱特征的遥感对象图像富含深层次特征的光谱信息和空间信息,以及待捕捉特征的光谱信息与高精度光谱遥感数据采集对象之间的非线性空间关系,这些传统分类方法无法对特征进行准确分类,如何利用这些光谱信息对深层次特征进行准确分类识别,如何准确提取地物的深层特征并使其更容易分类,是高精度光谱遥感图像特征分类领域下一步技术研究的热点。目前,卷积神经网络模型作为工业深度学习的主要技术模型,已经发展成为工业图像分析处理的重要技术应用。深度机器学习特征方法系统作为一种强大的特征提取器,广泛应用于高精度光谱度的图像特征分类和分析任务。如何针对具体问题搭建网络,也是深度学习的研究内容之一。

关键词:高光谱图像分类;深度学习;特征提取

引言:随着我国现代科学技术的不断创新,高光谱遥感技术已经作为一门具有综合性质的科学技术,进入了一个新的发展阶段。高精度光谱曲线图像的每个曲线像素分别对应不同的线性光谱反射曲线,因此人们经常需要利用高精度光谱曲线图像的这一曲线特征,即是高光谱的线性反射曲线特征,来帮助识别地球上的其他物体。遥感仪器可以收集空间和光谱数据。一般我们把这种数据称为高光谱图像。高光谱图像的一个突出技术特点也就是"图谱合一",可以用来更好地区分许多不同类型的地面信息。与多精度衍射光谱图像相比,高精度衍射光谱图像衍射对象图像可以具有更高的衍射图像光谱分辨率,显示出更大的研究价值。高光谱遥感图像富含大量关于地球表面特征的信息,并且特征明显,已经有越来越多的人开始关注高光谱图像的研究。

一、高光谱图像的分类现状

随着高光谱遥感技术的快速进步发展,高功率光谱的分析获取已经变得更加容易,这也就使得高光谱图像数据分析技术成为一项很好的有发展前途的科学技术,并被应用于包括农业、环境监测、军事侦察等在内的许多实际领域。高光谱图像数据通常在同一空间区域包含数百个光谱波段,为识别不同种类的地物提供了有价值的信息。高光谱图像分类类似于计算机视觉领域的图像分类。它们之间的区别之一是高光谱图像是一种三维图像,比二维平面图像具有更多的波段信息。另一个区别是标记样本的数量,通常一个高光谱数据集有200个高光谱数据集,只有3或4个波段被标记。对于一般的图像分类,标记样本很容易。然而,在高光谱图像分类中,由于人工标注的难度和成本,标注训练样本的局限性是高光谱图像分类的主要障碍。因此,小样本问题越来越受到关注。解决小样本问题的合理方法是降维,即在高维数据中需要大量的标记样本才能获得可靠的结果。

近年来,许多形态学方法被应用于高光谱图像的分类,以获取高光谱图像的空间结构信息特征。此外,在后处理阶段,还使用上下文信息方法通过正则化过程来检索分类结果。然而,需要大量的训练样本来充分表达地物的巨大差异,这在实践中很难实现。

考虑这些空间信息的另一种融合方法也就是将这些高光谱抽象图像的空间特征信息添加进来到各种全色光谱图像、多精度光谱抽象图像或其他更高精度空间信息分辨率的光谱图像中。该融合方法通常需要在同一空间场景下同时采集这些光谱图像,并在相同空间条件下与这些相应的高精度光谱抽象图像进行融合。从应用的角度来看,这是一个难题。此外,这些方法可能导致空间特征和光谱特征失真。

二、深度学习理论

2.1深度学习概述

深度学习应用技术是一种复杂的新型应用机器人工深度学习算法，其在语言和图像识别应用技术中的相关应用技术效果远远优于过去许多新的相关开发应用技术。在各种数字网络搜索分析引擎应用技术、多媒体广播机器人工学习、自然语言处理、机器翻译、机器学习视觉人工学习、数据挖掘、语音、推荐和程序开发、应用技术个性化和自动推荐开发应用技术等方面取得了成功。在许多新的相关应用领域，取得了许多新的应用技术研究成果。深度机器学习技术，机器人工深度学习，开发应用技术，现实生活中机器人工学习自动模拟的开发者如何能够通过计算机自动模拟或手动模拟现实生活中的各种人体或人脸，并进行各种物理生理功能如视听、思维等。从而解决了复杂模式识别开发应用技术过程中的许多复杂问题，在自动人工智能技术相关应用技术研究方面已经取得了很大的进展。深度学习技术是目前自动机器人工学习技术领域最热门的技术分支。深度学习主要用于解决数据特征的深度提取问题。当人工神经网络处理一些简单的问题时,可能只需要两个神经元。一层负责输入信号,然后将信号处理到另一层,另一层负责输出信号。然而,在许多深度机器学习中,它们并不是一个简单的内外两层数据结构。输入层和输出层之间隐藏着许多线性或非线性单元,可以进一步处理输入数据。严格来说,深度学习并不能算是正式的。它不仅是多层次的一个总称,也是现代机器深度学习的一部分。它的一个基本特征是可以模仿人类大脑中网络神经元对网络信息的物理传递和逻辑处理。

2.2卷积神经网络

卷积神经网络技术近年来逐渐发展起来。它是一种具有三维结构的特殊动态神经网络。它受到了神经生物学家研究的极大启发,目前在机器深度学习技术领域受到了广泛的研究关注。它已广泛应用于手机图像和数字语音的视觉识别,也是目前科学研究的重要热点。通过对猫视觉皮层的研究,人们知道了视觉皮层的一些特征。视觉皮层中的神经元只在一个小区域对神经元的刺激做出反应,这个区域被称为神经元的感受野。卷积神经网络是一种基于感受野的神经认知机器,起源于生物神经网络。卷积神经网络拓扑是由卷积复合输入网络层、隐式复合输入网络层和卷积复合输入网络层组成的网络拓扑图像处理网络结构，其中隐式复合输入网络层主要包括卷积输入层、下采样层和全局连接层。卷积复合神经网络拓扑的一个重要技术特征是其在图像中的权重可以相互共享。这种网络结构可以大大简化神经网络的运算复杂度和使用的复杂参数数量。我们可以通过卷积组合神经网络结构中的卷积组合运算,将二维网络图像数据库的输入直接连接到神经网络,从而大大避免了一些复杂的网络运算,如二维数据库的重建和二维特征的直接提取。下采样层也是卷积组合神经网络的重要结构特征,使得网络结构在平移和缩放时保持高度不变。

结束语:深度学习方法近年来在图像领域非常流行。研究人员提出了多种适用于图像和视频的神经网络结构。然而,高光谱图像的高光谱波段数、较少的训练样本以及与普通图像不同的分类要求,使得在普通彩色RGB图像中非常有效的卷积神经网络难以用于高光谱图像分类。一些研究人员将深度学习方法与聚类或决策融合等其他方法相结合,但由于不是"端到端"的深度学习方法,未能充分挖掘梯度反向传播算法的潜力。其他"端到端"的深度学习方法并不是专门针对高光谱领域设计的,因此仍有改进的空间。它为中国计算机信息科学以及视觉信息成像技术领域相关学术研究的创新发展改革打开了一扇新的学术大门。一方面,学术研究非常活跃,新的研究思路、新的研究方法和新思维模型不断涌现,同时,扩展训练样本后使用深度学习技术进行分类也是一种新思路,因此在这方面还有很大的研究空间。

总之,深度学习和高光谱图像分类之间有着密不可分的关系。在今后的工作发展中,要高度重视图像分类,采取合理措施提高其专业性,不断学习关于深度学习的理论知识,确保对深度学习的内涵和特征有清晰的认识,使其在更好的图像分类中发挥自己的作用。

参考文献：

【1】高光谱遥感及其应用[M]. 高等教育出版社 , 浦瑞良,宫鹏著, 2000

【2】高维数据降维技术及研究进展[J]. 刘靖,赵逢禹.  电子科技. 2018(03)

【3】面向高光谱图像分类的局部Gabor卷积神经网络[J]. 王燕,王丽.  计算机科学. 2020(06)