西北工业大学毕业论文模板 开题报告

选题目的与背景：

与普通图像相比，高光谱图像处理面临的两个主要问题是：一是光谱分辨率高、光谱曲线近乎连续、数据量大、数据冗余严重、谱间相关性强；另一是空间分辨率有限、存在大量混合像元，“Hughes”现象凸现。

“特征学习”从原始的像素出发通过特定的神经网络结构自动发现图像中隐藏的模式以学习出有效特征，近年来获得空前的发展，成为国际上信号处理模式识别等领域的研究热点。深度学习是一种多层的神经网络结构，是自2012 年来机器学习领域非常热的一个研究方向，它能够从原始的像素出发通过多层结构自动学习有效特征并在输出层实现分类。

主要研究内容和方案：

拟基于深度学习的相关理论和方法进行高光谱遥感图像的特征提取，主要研究以下四方面的内容：

1、面向高光谱图像特征提取的深度学习网络架构设计：设计网络的层数，每一层的神经元数目，每一层的其他处理等；

2、训练样本的组织：从现有的特征光谱库、卫星的高光谱数据、地面实验系统获取的数据以及计算机仿真等方面扩充样本数据，获取大量（千万级以上）的训练样本进行网络的训练；

3、深度特征的训练与学习：基于BP学习准则，利用巨量的训练样本进行训练，并基于GPU平台进行加速设计；

4、深度学习特征的性能验证：使用深度学习特征进行高光谱图像分类、识别以及混合像元分解等处理，评估提取的特征的性能。

总体研究方案如下：

1、网络架构设计：

目前的深度学习网络主要是为普通图像分类而设计的，对高光谱图像的分类效果比较有限。拟计划设计一种通用型网络架构，满足高光谱遥感图像数据的分类与识别方面的需求。

卷积神经网络是一种多层的深度学习网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。卷积神经网络一般包括卷积层、子采样层和全连接层。隐含层的卷积层和子采样层是实现卷积神经网络特征提取功能的核心模块。

卷积神经网络的低隐层是由卷积层和子采样层交替组成，高层是全连接层，对应传统多层感知器的隐含层和逻辑回归分类器。第一个全连接层的输入是由卷积层和子采样层进行特征提取得到的特征图像。最后一层输出层是一个分类器,可以釆用逻辑回归,softmax回归甚至是支持向量机对输入图像进行分类。

2、训练样本的组织：

从已有的研究及仿真验证可得，高光谱图像的训练样本数目越多，特征提取及目标分类的精度越好，因此大量训练样本的组织是保证本网络对于高光谱图像特征提取的普适性优良效果的前提。本项目中，拟从现有的特征光谱库、卫星的高光谱数据、地面实验系统获取的数据以及计算机仿真等方面扩充样本数据，获

取大量（千万级以上）的训练样本进行网络的训练。

3、网络训练方法：

拟在网络模型中采用采用梯度下降法最小化损失函数，对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络精度。

4、特征性能验证：

拟基于分类进行验证，如使用深度学习特征进行高光谱图像分类、混合像元分解以及目标的检测与识别等处理和应用，评估本网络提取的特征的性能。

一般地，分类方法主要包括有监督方法和无监督方法，当这些方法应用到高光谱图像处理时，又可以广义地分为无参数方法和有参数方法。例如，为了验证上述网络特征提取技术的性能，我们将其应用在具体的高光谱图像目标识别中。我们可以利用126 波段的AVIRIS 图像进行了仿真实验。可以在分类实验中选择其中比较相似的N类作物。在每类地物中随机选择一半的样本作为训练样本，另一半作为检验样本。用我们设计的卷积神经网络进行特征提取，然后利用非监督分类器验证所选特征组合的识别性能。进而验证我们设计的面向高光谱图像特征提取的深度学习网络优越性。

预期达到的目标：

构建监督的深度学习网络进行高光谱特征的提取，并基于多源高光谱数据组织标记样本对该网络进行训练，获取高光谱图像的深度特征，提高高光谱图像分类、检测以及识别等处理的性能。