【摘要】：隨著衛(wèi)星技術的不斷發(fā)展,高分辨率遙感圖像不斷出現(xiàn),遙感圖像在農(nóng)業(yè)領域、城市區(qū)域分析、環(huán)境監(jiān)測、道路網(wǎng)絡提取等方面都得到了廣泛應用。由于成像設備的不同,可以得到多種遙感圖像,例如多光譜圖像、高光譜圖像、以及全色圖像。為了更好的對圖像中的目標進行解釋,本文對多光譜和全色圖像的融合、以及高光譜圖像的分類問題進行了研究。本論文為了有效地提高融合圖像的質量和高光譜圖像的分類精度,從基于視覺稀疏表示的多光譜和全色圖像的融合和基于深度脊波網(wǎng)絡的高光譜圖像分類兩個方面進行了研究。全文主要工作內容如下：(1)提出了一種基于Mask Dodging和非下采樣Shearlet變換的多光譜和全色圖像融合方法,用于解決融合圖像的細節(jié)信息受到薄云干擾的問題。在該方法中,采用Mask Dodging法分別對多光譜和全色圖像中的薄云進行有效地去除。對去云后的圖像,提出自適應PCA變換和非下采樣Shearlet變換相結合的融合方法來提高融合圖像的光譜和空間分辨率信息。針對去云過程造成薄云所在區(qū)域地物細節(jié)信息丟失的問題,設計一種新的圖像增強方法,在融合過程中對云區(qū)丟失的細節(jié)信息進行增強。實驗結果表明,設計的方法能夠使得融合圖像不僅具有較好的空間分辨率信息和光譜信息,同時具有較為一致的清晰度。(2)提出了一種基于初始素描模型和學習插值的多光譜和全色圖像融合方法�；诔跏妓孛枘Ｐ�,可以得到高分辨率全色圖像的初始素描圖。初始素描圖是由一些線段組成,包含了圖像的邊、線特征,并且素描圖上的每一個線段都包含方向信息。本文根據(jù)初始素描圖上線段的方向,設計區(qū)域劃分方法,將多光譜和全色圖像劃分為結構、紋理和光滑區(qū)域。針對多光譜圖像中的結構區(qū)域和紋理區(qū)域,結合高分辨率全色圖像的梯度信息,分別設計了結構和紋理學習插值方法,對插值像素進行學習。實驗結果表明,提出方法在不同衛(wèi)星成像得到的多光譜和全色圖像上測試,證明了本文算法的有效性。(3)提出了一種基于壓縮超分辨重構和多字典學習的多光譜和全色圖像融合方法。在該方法中設計了一個兩階段的壓縮超分辨重構模型,有效的解決了基于壓縮感知融合模型中高分辨率全色圖像與線性加權的高分辨率多光譜圖像之間存在誤差的問題。同時,結合圖像的素描信息,針對多光譜和全色圖像不同區(qū)域的特點,設計了由脊波字典、曲線波字典、以及DCT字典組成的多字典。該字典分別用于兩個階段的超分辨重構中,來提高融合圖像的重構效果。實驗結果表明,該方法能夠較好的解決最近提出的基于壓縮感知融合模型產(chǎn)生光譜失真的問題,進一步提高融合圖像的空間分辨率。(4)基于Hinton等人提出的自編碼器,提出了脊波自編碼器,以及基于該自編碼器的高光譜圖像分類方法。在該方法中將脊波作為深度網(wǎng)絡的激活函數(shù),進一步提高整個網(wǎng)絡對高維非線性決策函數(shù)的稀疏逼近能力。相比于標準的激活函數(shù)sigmoid、雙正切以及rectifier函數(shù),脊波具有尺度、位移和方向信息,同時,它是緊支撐的,因此脊波自編碼器能夠有效地提高網(wǎng)絡的稀疏逼近能力。通過高光譜圖像、MNIST手寫體數(shù)據(jù)庫、CIFAR10數(shù)據(jù)庫、以及雙螺旋線非線性分類實驗證明,脊波自編碼器能夠有效的提高測試數(shù)據(jù)的分類精度。(5)根據(jù)卷積神經(jīng)網(wǎng)絡的框架,結合脊波函數(shù)的特性,提出了一種基于脊波卷積神經(jīng)網(wǎng)絡的高光譜圖像分類方法。在該分類方法中,提出了脊波濾波器初始化和空譜結合的高光譜圖像分類方法。與標準的卷積神經(jīng)網(wǎng)絡框架下的初始化方法相比,脊波濾波器初始化方法在逼近光譜和空間信息方面,具有更好的稀疏表示能力和更快的逼近速率。而與標準的特征學習方法相比,本論文方法仍然繼承了標準的卷積神經(jīng)網(wǎng)絡的結構,提供了一個自適應有效地特征學習方法。實驗結果表明,所提出的方法能夠有效的提高網(wǎng)絡的逼近速率和提高高光譜圖像的分類精度。(6)提出了一種基于三維卷積神經(jīng)網(wǎng)絡的高光譜圖像分類方法。標準的卷積神經(jīng)網(wǎng)絡被證明是一種較好的特征提取方法,但是它只能對二維圖像的特征進行學習。高光譜圖像是一個像素立方體,空間特征對于提高分類精度也是十分有幫助的。在本論文中,三維卷積神經(jīng)網(wǎng)絡的應用被擴展到高光譜圖像分類問題上。通過三維卷積操作,挖掘高光譜圖像更加復雜的特征。除此之外,該方法進一步研究了三維脊波濾波器對三維卷積網(wǎng)絡的影響。提出的方法在高光譜圖像數(shù)據(jù)集上進行了測試,分類精度得到了較大幅度的提高。
【學位授予單位】：西安電子科技大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP751
【圖文】：

圖１．邋１多光譜衛(wèi)星傳感器的空間分辨率變化逡逑表１．２目前的高光譜傳感器及其光譜特性逡逑

Ｃｏｍｐｏｎｅｎｔｓ邋Ａｎａｌｙｓｉｓ）等，用全色圖像替代多光譜圖像變換后的某一分量，再進行反逡逑變換，得到最終的融合圖像。該類算法具有較低的時間復雜度，也是工程中最常用的逡逑融合方法。圖１．１顯示了該類算法的一般框架圖。逡逑＾ＨＩＳ變換邐逆ＨＩＳ變換逡逑光譜圖像逡逑低分辨率強邐離分辨率強；邐＿逡逑度分量柋－度分量圖像胃逡逑高分辨率全邐＾逡逑色圖像邋—逡逑圖１．邋２基于ＨＩＳ替代法的多光譜和全色圖像融合框架圖逡逑下面是幾種常見的基于替代法的融合方法：逡逑？邋ＨＩＳ逡逑ＨＩＳ是一個彩色空間，Ｈ邋（Ｈｕｅ）分量被定義為顏色空間的主要波長信息，Ｉ逡逑（Ｉｎｔｅｎｓｉｔｙ）被定義為強度信息，Ｓ邋（Ｓａｔｕｒａｔｉｏｎ）被定義為飽和度信息口８１。ＨＩＳ在很逡逑大程度上解釋了人類所感知到的色彩空間，并且克服了通常使用的ＲＧＢ色彩空間與人逡逑類感知到的色彩空間是不一致的缺點逡逑由于ＨＩＳ變換得到的融合圖像能夠獲得較好的空間分辨率信息，所Ｗ許多應用軟逡逑件都采用ＨＩＳ方法對多光譜和全色圖像進行融合。Ｃｈａｖｅｚｔｗ蛹過ＬａｎｄｓａｔＴＭ和ＳＰＯＴ逡逑全色圖像對ＨＩＳ、ＰＣＡ、Ｗ及其它的融合方法進行了比較。文章中顯示了雖然ＨＩＳ算逡逑６逡逑

小波變換是數(shù)學工具在信號處理和圖像處理領域的一個里程碑。它能夠將圖像分逡逑解為一些不同分辨率的圖像，用小波系數(shù)來表示。小波分解后的每一尺度下的分解系逡逑數(shù)包含了圖像的空間細節(jié)信息。圖１．２顯示了一般的基于小波融合方法的框架圖。逡逑低分辨率多邐小波分解逡逑肺化畫灄眶？商頻系數(shù)；＇４逡逑光譜圖像逡逑低頻系數(shù)？？＊－？＂逡逑灥邐逆小波變換ｉ邋：善；：心＇＇逡逑—？邋融合圖像逡逑[簾媛柿钚〔ǚ紙忮危蓩p栥苗；灥＾逡逑間分巧軍全y崬島諍φ咂迪凳�；－辶x仙滔皴義稀紓康推迪凳義賢跡保郴諦〔ū浠壞畝喙餛綴腿枷袢諍峽蚣芡煎義嫌捎諦〔ǚ紙獗忍媧ň哂懈玫娜諍閑Ч欹盟玫攪撕芏嘌星燒叩墓刈�。辶x希伲錚悖耄祝福吃冢保梗梗的晏岢雋肆轎〔ū浠壞耐枷袢諍峽蚣�。灾X惱輪行〔ㄓ耄齲桑詠繡義媳冉希玫叫〔ㄔ詼喙餛綴腿枷袢諍現(xiàn)行Ч糜冢齲桑穎浠壞慕崧�。在１９９Ｙ�輳義希伲錚悖耄媯矗梗焯岢雋艘恢指慕幕諦〔ū浠壞畝喙餛綴腿枷袢諍戲椒�，方法在辶x希櫻校希院停蹋幔睿洌螅幔簦裕褪萆轄辛瞬饈�，获得了轿r玫娜諍閑Ч＃冢瑁錚醯熱耍校滋岢鰣義狹艘恢只謖恍〔ū浠壞娜諍戲椒�。Ｎｕｎｅｚ禑犴炨畴h嘶詼嚳直嫘〔ǚ紙獾耐煎義舷袢諍戲椒�。该方法通过对高分辨率全色图像和殿^直媛識喙餛淄枷窠蟹紙�，将高辶x戲直媛嗜枷竦南附諤砑尤氳頭直媛識喙餛淄枷裰欣詞迪滯枷竦娜諍�。其峙d捎緬義希稿義

本文編號：2794131