【摘要】：高光譜遙感影像包含了關于地表物質的豐富空間、輻射和光譜三重信息,在遙感信息處理中的地位日益凸顯,已被廣泛用于城市地物分類、環(huán)境監(jiān)測、軍事目標識別等諸多領域。然而,傳統(tǒng)的遙感信息處理技術在解譯高光譜遙感影像時面臨著諸多問題和挑戰(zhàn):如何有效利用高光譜影像提供的多重信息、如何解決小樣本分類的性能瓶頸等問題。本文從高光譜遙感影像的自身特點出發(fā),在總結現(xiàn)有遙感信息處理技術的基礎上,研究如何從高光譜遙感影像中獲取判別力強的三維空譜特征,并進一步將多種空譜一體化特征進行融合,實現(xiàn)地物的有效分類�，F(xiàn)有的空譜特征提取方法大多是將不同波段的空間特征機械地組合起來,沒有充分利用高光譜遙感影像空譜結構中的上下文信息。針對這一問題,本文提出了一種基于三維局部二值模式(Local Binary Patterns,LBP)的高光譜遙感影像空譜特征提取方法。該方法利用模式統(tǒng)計的方式對獲得的三維LBP編碼特征進行歸約,建立面向三維拓撲結構的稠密編碼模式來代替?zhèn)鹘y(tǒng)的加權編碼,使三維LBP編碼模型具有旋轉不變性,提升特征的鑒別力。此外,通過引入松弛變量實現(xiàn)三維LBP編碼模型中閾值操作的模糊處理,消除噪聲以及同類地物由于反射值分布不勻勻帶來的影響,提升了三維LBP編碼特征的魯棒性。實驗結果表明,基于三維LBP編碼的高光譜遙感影像空譜特征提取方法能夠有效利用高光譜影像空譜結構中的上下文語義,顯著提升小樣本分類的性能。另一方面,不同的三維空譜特征提取方法得到的特征具有各自不同的適用特性。具體來說,三維Gabor特征對影像中的光照和陰影有較好的魯棒性,三維形態(tài)學特征能夠有效地捕捉影像中地物的形狀特征,而三維局部二值模式對影像中的空間特征具有較好的表征能力。由于這三種特征分別從光照魯棒性、地物形狀、空間關系三個層面表征高光譜影像中關于地物的三種不同屬性,因此它們對高光譜影像中的地物區(qū)分能力存在差異和互補性�；诖�,本文提出了一種基于稀疏決策融合的高光譜遙感影像三維空譜特征分類方法。該方法通過稀疏表示對上述三類空譜特征進行決策融合,整合它們之間的優(yōu)點,實現(xiàn)優(yōu)勢互補。實驗表明,基于稀疏決策融合的高光譜遙感影像三維空譜特征分類方法能夠充分發(fā)揮三種空譜特征的優(yōu)勢,進一步改善了高光譜遙感影像的小樣本分類性能。
[Abstract]:Hyperspectral remote sensing images contain rich spatial, radiative and spectral information about surface matter. They play an increasingly important role in remote sensing information processing, and have been widely used in the classification of urban features and environmental monitoring. Military target recognition and many other fields. However, the traditional remote sensing information processing technology is faced with many problems and challenges in interpreting hyperspectral remote sensing images: how to effectively utilize the multiple information provided by hyperspectral images and how to solve the performance bottleneck of small sample classification. Based on the characteristics of hyperspectral remote sensing images and the existing remote sensing information processing techniques, this paper studies how to obtain the discriminant 3D spatial spectrum features from hyperspectral remote sensing images. Furthermore, various spatial spectral features are fused to realize the effective classification of ground objects. Most of the existing space-spectrum feature extraction methods combine spatial features of different bands mechanically and do not make full use of the context information in the spatial spectral structure of hyperspectral remote sensing images. In order to solve this problem, a novel spatial spectral feature extraction method for hyperspectral remote sensing images based on 3D local binary mode (Local Binary Patterns,LBP) is proposed. In this method, the obtained 3D LBP coding features are reduced by pattern statistics, and a dense coding pattern oriented to 3D topology is established to replace the traditional weighted coding, which makes the 3D LBP coding model rotation-invariant. Enhance the ability to identify features. In addition, the fuzzy processing of threshold operation in 3D LBP coding model is realized by introducing relaxation variables, which eliminates the influence of noise and the unevenness of reflection distribution of similar ground objects, and improves the robustness of 3D LBP coding features. The experimental results show that the spatial spectral feature extraction method based on 3D LBP coding can effectively utilize the context semantics of hyperspectral image space-spectrum structure and improve the performance of small sample classification. On the other hand, the features obtained by different three-dimensional space-spectrum feature extraction methods have different applicable characteristics. Specifically, 3D Gabor features are robust to illumination and shadow in images, and 3D morphological features can effectively capture the shape features of ground objects in images. The 3D local binary model has a better ability to represent the spatial features in the image. Because these three features represent the three different attributes of the hyperspectral images from the three aspects of illumination robustness, ground object shape and spatial relationship, there are differences and complementarities in their ability to distinguish ground objects in hyperspectral images. Based on this, a spatial feature classification method for hyperspectral remote sensing images based on sparse decision fusion is proposed. This method combines the advantages of the above three spatial spectral features by sparse representation and realizes the complementary advantages. The experimental results show that the 3D space-spectrum feature classification method based on sparse decision fusion can give full play to the advantages of the three space-spectrum features and further improve the classification performance of small samples of hyperspectral remote sensing images.
【學位授予單位】：深圳大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 孫釗;高光譜遙感的應用[J];貴州教育學院學報(自然科學);2004年04期

2 杜培軍;陳云浩;;高光譜遙感信息智能處理的若干理論與技術問題[J];科技導報;2006年01期

3 孫琦;鄭小賢;劉東蘭;;高光譜遙感獲取伐區(qū)調查數據的應用綜述[J];林業(yè)資源管理;2006年05期

4 潘偉;夏麗麗;;高光譜遙感分類方法研究[J];福建電腦;2007年01期

5 張利;戚浩平;;高光譜遙感及其在青藏高原的應用潛力分析[J];測繪科學;2008年S3期

6 張利;戚浩平;;高光譜遙感及其在青藏高原的應用潛力分析[J];測繪科學;2008年S1期

7 岳躍民;王克林;張兵;陳正超;;高光譜遙感在生態(tài)系統(tǒng)研究中的應用進展[J];遙感技術與應用;2008年04期

8 周磊;辛曉平;李剛;楊桂霞;張宏斌;;高光譜遙感在草原監(jiān)測中的應用[J];草業(yè)科學;2009年04期

9 方紅亮,田慶久;高光譜遙感在植被監(jiān)測中的研究綜述[J];遙感技術與應用;1998年01期

10 王建宇;高光譜遙感──給人類配上一副神眼[J];世界科學;1999年12期

相關會議論文 前10條

1 張霞;劉良云;趙春江;張兵;;利用高光譜遙感圖像估算小麥氮含量研究[A];成像光譜技術與應用研討會論文集[C];2002年

2 杜培軍;陳云浩;;高光譜遙感信息智能處理的基礎研究[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

3 徐元進;胡光道;;取締閥值的高光譜遙感光譜匹配分類信息制圖[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

4 張永強;文麗萍;王振營;;高光譜遙感在監(jiān)測作物受病蟲肥脅迫中的應用[A];提高全民科學素質、建設創(chuàng)新型國家——2006中國科協(xié)年會論文集（下冊）[C];2006年

5 王藝婷;黃世奇;王紅霞;;從信息的角度看高光譜遙感技術[A];國家安全地球物理叢書（九）——防災減災與國家安全[C];2013年

6 李京;蔣衛(wèi)國;;高光譜遙感在濕地監(jiān)測與分類中的應用[A];第十屆全國光電技術學術交流會論文集[C];2012年

7 房華樂;任潤東;蘇飛;梁勇;;高光譜遙感在農業(yè)中的應用[A];第四屆“測繪科學前沿技術論壇”論文精選[C];2012年

8 黃娟;郭明克;張永梅;閆濤;王寧;;利用高光譜遙感資料提取赤潮信息方法研究[A];成像光譜技術與應用研討會論文集[C];2002年

9 杜培軍;方濤;林卉;;高光譜遙感影像降維方法研究[A];第十四屆全國遙感技術學術交流會論文摘要集[C];2003年

10 王新鴻;唐伶俐;馬靈玲;;高光譜遙感在內陸水質監(jiān)測中的應用[A];現(xiàn)代測量技術與地理信息系統(tǒng)科技創(chuàng)新及產業(yè)發(fā)展研討會論文集[C];2009年

相關重要報紙文章 前4條

1 張學君;高光譜遙感技術助力覆蓋區(qū)找礦[N];中國國土資源報;2011年

2 記者 金小平;中國地調局舉辦高光譜遙感找礦培訓班[N];中國礦業(yè)報;2007年

3 中國科學院院士、國際歐亞科學院院士 童慶禧;我國高光譜遙感的發(fā)展[N];中國測繪報;2008年

4 文龍 胡軍;張立福：用光譜觀測大地的人[N];科技日報;2012年

相關博士學位論文 前10條

1 張海濤;基于興趣體保護的高光譜遙感圖像壓縮技術研究[D];遼寧工程技術大學;2014年

2 王霄鵬;黃河三角洲濕地典型植被高光譜遙感研究[D];大連海事大學;2014年

3 孫蕾;小波構造理論及其在高光譜遙感圖像去噪與壓縮中的應用[D];國防科學技術大學;2010年

4 譚炳香;高光譜遙感森林類型識別及其郁閉度定量估測研究[D];中國林業(yè)科學研究院;2006年

5 田豐;全波段（0.35～25μm）高光譜遙感礦物識別和定量化反演技術研究[D];中國地質大學（北京）;2010年

6 劉康;基于主動學習的高光譜圖像分類技術研究[D];中國礦業(yè)大學（北京）;2014年

7 劉偉東;高光譜遙感土壤信息提取與挖掘研究[D];中國科學院研究生院（遙感應用研究所）;2002年

8 沈照慶;基于支持向量機（SVM）的高光譜影像智能化分析關鍵問題研究[D];武漢大學;2010年

9 馮燕;高光譜圖像壓縮技術研究[D];西北工業(yè)大學;2006年

10 葉成名;基于高光譜遙感的青藏高原巖礦信息提取方法與應用研究[D];成都理工大學;2011年

相關碩士學位論文 前10條

1 柳家福;基于GPU的礦產資源高光譜遙感探測數據快速處理[D];南京理工大學;2015年

2 張小東;基于光譜解混的高光譜遙感烴弱信息提取[D];成都理工大學;2015年

3 劉淼;不同營養(yǎng)水平冬小麥長勢高光譜遙感監(jiān)測[D];西北農林科技大學;2016年

4 牛璐璐;航空高光譜遙感影像自動拼接技術研究[D];吉林大學;2016年

5 丁小輝;基于蟻群算法的高光譜遙感影像地物分類研究[D];中國科學院研究生院(東北地理與農業(yè)生態(tài)研究所);2016年

6 顏丙囤;基于“星—地”遙感數據的植被參數反演模型研究與應用[D];中國礦業(yè)大學;2016年

7 湯媛媛;面向桌面系統(tǒng)的高光譜遙感影像線性降維異構并行算法研究與實現(xiàn)[D];國防科學技術大學;2015年

8 谷金平;基于云計算的高光譜遙感圖像檢索研究[D];南京理工大學;2017年

9 胡杰;高光譜遙感影像三維空譜特征提取與小樣本分類技術研究[D];深圳大學;2017年

10 陳東來;高光譜遙感場景成像模型研究[D];哈爾濱工業(yè)大學;2009年

，

本文編號：2291394