【摘要】：隨著成像光譜儀的發(fā)展,高光譜圖像的成像精度不斷提高,在經(jīng)濟(jì)建設(shè)與國(guó)防安全領(lǐng)域的作用日益上升。與之而來(lái)的是高光譜數(shù)據(jù)維度急劇上升,非線性增強(qiáng),這給傳統(tǒng)的高光譜分類以及變化檢測(cè)方法帶來(lái)了挑戰(zhàn)。本文通過(guò)研究傳統(tǒng)高光譜分類以及檢測(cè)方法中存在的問(wèn)題,分別提出了對(duì)應(yīng)的改進(jìn)算法,提升了精度和效率。本文首先改進(jìn)了SVM分類器使用的傳統(tǒng)OAO策略。通過(guò)引入最大誤差上界中的Chernoff距離和Jeffries-Matusita距離作為類別之間的可分性度量,分別構(gòu)建了基于C距離的OAA策略和基于JM距離的類對(duì)決策樹(shù)策略。同時(shí)對(duì)SVM分類器的核函數(shù)進(jìn)行定制,通過(guò)加權(quán)使得分類器更加適應(yīng)數(shù)據(jù)集。實(shí)驗(yàn)表明,兩種方法都可以有效的提升分類算法的精度和效率。然后提出了應(yīng)用于高光譜分類算法的視覺(jué)詞袋模型。高光譜數(shù)據(jù)非線性嚴(yán)重,因此視覺(jué)詞袋模型中采用CNN作為特征提取部分,有效彌補(bǔ)了傳統(tǒng)分類器的不足。同時(shí)改進(jìn)了SLIC算法,使其能夠運(yùn)用在高光譜圖像數(shù)據(jù)上。詞袋模型結(jié)合了空譜信息,彌補(bǔ)了傳統(tǒng)算法中只使用光譜信息的不足。最后通過(guò)實(shí)驗(yàn)驗(yàn)證算法的有效性。最后針對(duì)高光譜變化檢測(cè)任務(wù)提出了CNN-LSTM模型。變化檢測(cè)任務(wù)可以看成特殊的分類任務(wù),模型通過(guò)LSTM單元利用時(shí)序信息,改進(jìn)了傳統(tǒng)分類算法無(wú)法利用時(shí)序信息的缺點(diǎn)。同時(shí)模型提取的特征保證了樣本不足時(shí)的遷移學(xué)習(xí)的辨識(shí)精度。通過(guò)非遷移學(xué)習(xí)以及遷移學(xué)習(xí)實(shí)驗(yàn)驗(yàn)證了該模型的有效性,且在復(fù)合樣本的遷移學(xué)習(xí)實(shí)驗(yàn)中驗(yàn)證了該模型優(yōu)于CNN模型,證明了時(shí)序信息在高光譜變化檢測(cè)任務(wù)中的重要性。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP751
【圖文】：

(c)多光譜遙感 (d)高光譜遙感圖 1-1 高光譜遙感發(fā)展示意圖載高光譜遙感的拍攝過(guò)程如圖 1-2 所示。成像光譜儀可以分成persion）成像光譜儀和干涉型（Interferometer）成像光譜儀。而根據(jù)的不同，成像光譜儀也可以分為推掃型（Pushbroom）成像光譜儀和iskbroom）成像光譜儀[4]�，F(xiàn)階段成像光譜儀在設(shè)計(jì)和制造時(shí)存在一，主要集中于信噪比、空間分辨率以及掃幅掃寬。因此光譜成像儀要在減小每個(gè)波段的帶寬以及增加波段數(shù)，和減小瞬時(shí)視場(chǎng)角。前光譜圖像的光譜分辨率（Spectral resolution），即光譜成像儀在波長(zhǎng)寬度，又叫做波段寬度；后者可以提升高光譜圖像的空間分辨率（tion），即拍攝圖像中可分辨地物的空間尺度。提升光譜分辨率和空光譜圖像中識(shí)別率的提升是至關(guān)重要的。

圖 1-2 星載高光譜成像儀拍攝示意圖研究現(xiàn)狀及分析譜成像儀研究遙感獲取數(shù)據(jù)的方式是通過(guò)成像光譜儀拍攝目標(biāo)，得到、可見(jiàn)光和紫外部分的窄電磁波段。成像光譜儀發(fā)展的家與機(jī)構(gòu)研究出了適應(yīng)不同環(huán)境與任務(wù)目標(biāo)的光譜儀，在光譜儀的研究上走在了世界前列，從最開(kāi)始 32 個(gè)波個(gè)波段的 AVIRIS 不斷提高光譜分辨率。同時(shí)，AVIRIS 全反射波長(zhǎng)范圍（0.4 ~ 2.5 m）的成像光譜儀[5]。在SA）研制并發(fā)射了中等分辨率成像光譜儀（MODIS）大空間分辨率為 250 米，光譜范圍從可見(jiàn)光波段（0.4 m）。NASA 還發(fā)射了高分辨率成像光譜儀（HIRS），米，光譜范圍為3.8 ~15 m，共有 20 個(gè)頻段，包括 1 個(gè)

(a)原始圖像 (b)標(biāo)簽圖圖 2-1 高光譜圖像數(shù)據(jù)原始圖與標(biāo)簽圖（75x75）別采取了 2 種核對(duì)高光譜數(shù)據(jù)集合進(jìn)行 4 類的分類實(shí)驗(yàn)， 距離的核。這 2 種核函數(shù)皆通過(guò) OAO 策略來(lái)構(gòu)造多分類類實(shí)驗(yàn)每種方法都需要42 ，即 6 個(gè)子分類器。準(zhǔn) SVM 核與基于 C 距離的核方法對(duì)比實(shí)驗(yàn)我們以 RBF 作為基本核函數(shù).由于飛機(jī)所占的像素點(diǎn)很少，據(jù)進(jìn)行多折交叉驗(yàn)證的 4 分類實(shí)驗(yàn)，為了不漏掉飛機(jī)的樣驗(yàn)。懲罰因子C以及 RBF 核函數(shù)的參數(shù) 選擇 C 60和 -2 所示。的數(shù)量上來(lái)看，2 折的實(shí)驗(yàn)效果比 4 折的實(shí)驗(yàn)效果要好，雖向量數(shù)上有劣勢(shì)，但是整體的分類精度要高�；� C 距離 方法的平均分類精度有 10%左右的提升，總體精度也有于前者的提升并不十分明顯，因?yàn)閷?shí)驗(yàn)的主要目的是對(duì)飛

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孔繁鏘;郭文駿;沈秋;王丹丹;;復(fù)合正則化聯(lián)合稀疏貝葉斯學(xué)習(xí)的高光譜稀疏解混算法[J];紅外與毫米波學(xué)報(bào);2016年02期

2 趙潔;;基于K均值聚類的高光譜遙感影像分類研究[J];地理空間信息;2016年03期

3 趙冬;吳柯;;一種動(dòng)態(tài)調(diào)整權(quán)值的交叉相關(guān)光譜匹配算法[J];地理空間信息;2015年04期

4 賀金鑫;陳圣波;王陽(yáng);吳艷繁;;一種基于樸素貝葉斯分類模型的高光譜礦物精確識(shí)別方法[J];光譜學(xué)與光譜分析;2014年02期

5 ;天宮一號(hào)高光譜成像儀成功用于地球環(huán)境監(jiān)測(cè)[J];紅外;2012年08期

6 林志壘;晏路明;;基于獨(dú)立分量分析的高光譜遙感影像決策樹(shù)分類[J];計(jì)算機(jī)應(yīng)用;2012年02期

7 滕安國(guó);高峰;夏新成;李春保;周光宏;;高光譜技術(shù)在農(nóng)業(yè)中的應(yīng)用研究進(jìn)展[J];江蘇農(nóng)業(yè)科學(xué);2009年03期

8 王強(qiáng);束炯;;高光譜遙感圖像光譜域去噪的小波變換方法[J];大氣科學(xué)研究與應(yīng)用;2008年02期

9 張朝陽(yáng);程海峰;陳朝輝;鄭文偉;;高光譜遙感的發(fā)展及其對(duì)軍事裝備的威脅[J];光電技術(shù)應(yīng)用;2008年01期

10 諶德榮;陶鵬;張立燕;范寧軍;;基于區(qū)域特征光譜的自組織特征映射神經(jīng)網(wǎng)絡(luò)高光譜圖像主成分提取方法[J];宇航學(xué)報(bào);2007年06期

相關(guān)碩士學(xué)位論文 前3條

1 印影;黑土有機(jī)質(zhì)含量的高光譜估測(cè)模型研究[D];吉林大學(xué);2015年

2 黃婷婷;基于光譜匹配的高光譜巖礦識(shí)別技術(shù)研究[D];南京理工大學(xué);2012年

3 王斯博;高光譜圖像奇異目標(biāo)檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2010年

本文編號(hào)：2791355