基于多特征融合及图卷积网络的高光谱图像分类研究的开题报告.docx

基于多特征融合及图卷积网络的高光谱图像分类研究的开题报告
一、研究背景
高光谱遥感图像是指光谱范围被划分为多个离散波段的遥感图像。它可提供准确且详细的目标信息，具有广泛的应用领域，如地质矿产、农业、森林资源等。因此高光谱图像分类在遥感图像处理领域具有重要的应用价值。目前，传统的高光谱图像分类方法大多采用基于像素的光谱信息进行分类，但这种方法忽略的空间信息可能会严重减弱分类的效果。
现代深度学习技术在计算机视觉领域的发展，为高光谱图像分类方法提供了新的思路。基于深度学习的高光谱图像分类方法主要通过融合光谱和空间特征来提高分类效果。近年来，图卷积网络（GCN）被广泛地应用于遥感图像分类任务，成功地应用于如城市地物分类等领域，通过捕捉图像中特定区域的空间关系，有效提高了分类精度。
因此，本文将探讨基于多特征融合及图卷积网络的高光谱图像分类方法，以期获得更高的分类精度。
二、研究内容
本文的研究内容主要包括以下几方面：
1.高光谱图像数据的获取和预处理：本研究采用的高光谱图像来自于卫星遥感，需要进行数据下载、预处理、辐射校正等，保证数据的合法性和高质量。
2.多特征融合分类模型的设计：通过综合考虑光谱和空间特征，提出一个基于多特征融合的分类模型，将光谱信息和空间信息一起应用于模型中，进一步提高分类精度。
3.图卷积网络的应用：通过图卷积网络，捕捉图像中特定区域的空间关系，提高分类效果。
4.实验结果分析：在实验中对模型进行评估，并和传统方法进行比较，分析模型的准确率、召回率、F1值等性能指标。
三、研究意义
本研究的意义主要体现在：
1.提高高光谱图像分类的准确率：本文通过融合空间信息和光谱信息，使用图卷积网络提取特征，采用多特征融合的方法构建分类模型，提高分类精度。
2.推动图卷积网络在遥感图像领域的应用：本文的研究成果可以推动图卷积网络在遥感图像领域的应用，扩展其应用领域，提高其遥感图像分类效果。
3.为农业、矿产、森林等领域提供科技支持：高光谱遥感图像广泛用于农业、矿产、森林等领域的调查和监测，在提高高光谱图像分类的准确率的同时，能为这些领域提供更为准确的数据和科技支持。
四、研究方法
1.数据处理方法：本研究采用的高光谱图像来自于卫星遥感，需要进行数据下载、预处理、辐射校正等，保证数据的合法性和高质量。
2.模型构建方法：本研究采用多特征融合的方法构建分类模型。通过图卷积网络提取空间特征，将光谱信息和空间信息一起应用于模型中，进一步提高分类精度。
3.实验方法：本研究通过比较传统方法和本文提出的分类模型在分类准确率、召回率、F1值等性能指标上的表现，验证所提出的方法的有效性和优越性。
五、预期成果
本文预期可以得到以下成果：
1.提出一个基于多特征融合及图卷积网络的高光谱图像分类方法。
2.验证本文提出的方法在高光谱图像分类上的有效性和优越性。
3.为高光谱图像分类方法的发展提供新的思路和研究方向。
参考文献：
[1]刘涛,杨峰.基于深度学习的高光谱图像分类综述[J].地球科学进展,2017,32(3):237-246.
[2]LiH,LiuX,HeJ,WangS,etal.Aspatial-spectralCNNapproachforhyperspectralimageclassification[J].Neurocomputing,2018,275:2124-2134.
[3]WangL,ZhangL.Jointfeaturelearningforhyperspectralimageclassificationviaconvolutionalneuralnetworks[J].IEEETransactionsonGeoscienceandRemoteSensing,2016,54(9):5422-5435.