發(fā)布時間：2022-04-23 18:52

　　高光譜圖像是一種區(qū)別于普通二維圖像的三維數(shù)據(jù)結(jié)構(gòu),這類圖像可以同時采集成像目標(biāo)的空間維和光譜維信息,在成像時,除了可見光波段以外,在多個光譜范圍內(nèi)也可同時進行成像,所成圖像能夠更加詳細的描述目標(biāo)信息。但是這類圖像的空間分辨率通常低于普通的二維圖像,導(dǎo)致其在識別或檢測等應(yīng)用領(lǐng)域有很大的局限性。因此,通過信號處理的超分辨率復(fù)原技術(shù)重建高分辨率圖像,已成為提高圖像空間分辨率的重要途徑。然而,現(xiàn)有的算法通常僅對二維普通圖像的空間維高頻信息進行卷積和重構(gòu),未能利用到圖像光譜維中包含的大量有用信息,重建效果不佳。本文針對高光譜圖像的數(shù)據(jù)特點,研究了基于三維卷積的高光譜圖像超分辨率復(fù)原算法。主要研究內(nèi)容包括:針對高光譜圖像空間維和光譜維信息相關(guān)性的特點,設(shè)計了面向超分辨率復(fù)原應(yīng)用的三維卷積核,同時提取高光譜圖像的空間和光譜維特征,以彌補二維卷積核對光譜維特征利用的缺失。進一步通過仿真實驗分析了卷積神經(jīng)網(wǎng)絡(luò)的各部分參數(shù)對三維卷積核特征提取效果的影響,對卷積層數(shù)、卷積核大小、激活函數(shù)等進行優(yōu)化設(shè)計,為高性能超分辨率復(fù)原算法的研究奠定了基礎(chǔ)。以所實現(xiàn)的三維卷積核為基礎(chǔ),設(shè)計并實現(xiàn)了一種基于三維殘差密集網(wǎng)絡(luò)... 

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究目的及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 超分辨率復(fù)原研究現(xiàn)狀
        1.2.2 高光譜圖像超分辨率復(fù)原研究現(xiàn)狀
        1.2.3 三維卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)
第2章 高光譜圖像超分辨率復(fù)原相關(guān)理論及研究進展
    2.1 高光譜圖像及其特點
        2.1.1 高光譜圖像概述
        2.1.2 高光譜圖像特點
    2.2 圖像超分辨率復(fù)原技術(shù)研究進展
        2.2.1 圖像超分辨率復(fù)原技術(shù)理論概述
        2.2.2 普通圖像超分辨率復(fù)原典型方法
        2.2.3 高光譜圖像超分辨率復(fù)原典型方法
    2.3 本章小結(jié)
第3章 面向高光譜圖像的三維卷積核研究與實現(xiàn)
    3.1 三維卷積概述
    3.2 三維卷積核設(shè)計
    3.3 三維卷積神經(jīng)網(wǎng)絡(luò)性能分析
        3.3.1 三維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 參數(shù)分析與網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化設(shè)計
    3.4 實驗結(jié)果與分析
        3.4.1 實驗素材與評價指標(biāo)說明
        3.4.2 實驗數(shù)據(jù)預(yù)處理
        3.4.3 實驗結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于3D-RDN的超分辨率復(fù)原算法研究與實現(xiàn)
    4.1 算法原理分析
    4.2 算法整體流程介紹
    4.3 3D-RDN網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.1 三維淺層特征提取層
        4.3.2 三維殘差密集塊
        4.3.3 三維特征融合層
        4.3.4 三維亞像元重組層
    4.4 實驗結(jié)果與分析
    4.5 本章小結(jié)
第5章 基于Virtual-3D RDN的超分辨率復(fù)原算法研究與實現(xiàn)
    5.1 算法原理分析
        5.1.1 張量分解概述
        5.1.2 算法原理分析
    5.2 Virtual-3D卷積核的設(shè)計與實現(xiàn)
        5.2.1 Virtual-3D卷積核原理
        5.2.2 Virtual-3D卷積核不同設(shè)計分析
    5.3 Virtual-3D RDN算法的設(shè)計與實現(xiàn)
        5.3.1 瓶頸結(jié)構(gòu)
        5.3.2 Virtual-3D RDN網(wǎng)絡(luò)結(jié)構(gòu)
    5.4 實驗結(jié)果與分析
        5.4.1 實驗環(huán)境
        5.4.2 實驗過程
        5.4.3 實驗結(jié)果與分析
    5.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻】：
期刊論文
[1]深度學(xué)習(xí)在高光譜圖像分類領(lǐng)域的研究現(xiàn)狀與展望[J]. 張?zhí)栧?李映,姜曄楠.  自動化學(xué)報. 2018(06)
[2]基于深度學(xué)習(xí)的圖像超分辨率復(fù)原研究進展[J]. 孫旭,李曉光,李嘉鋒,卓力.  自動化學(xué)報. 2017(05)
[3]基于冗余字典的高光譜圖像超分辨率復(fù)原算法[J]. 王素玉,張宗祥,王博.  北京工業(yè)大學(xué)學(xué)報. 2015(10)
[4]基于光譜相似性的高光譜圖像超分辨率算法[J]. 潘宗序,禹晶,肖創(chuàng)柏,孫衛(wèi)東.  自動化學(xué)報. 2014(12)
[5]圖像超分辨率重建技術(shù)與方法綜述[J]. 沈煥鋒,李平湘,張良培,王毅.  光學(xué)技術(shù). 2009(02)
[6]圖像超分辨率復(fù)原技術(shù)的現(xiàn)狀與展望[J]. 周芳.  自動化與儀表. 2006(01)
[7]高空間分辨率和高光譜分辨率遙感圖像的融合[J]. 馬艷華.  紅外. 2003(10)
[8]超光譜遙感圖像特征分析[J]. 劉恒殊,彭風(fēng)華,黃廉卿.  光學(xué)精密工程. 2001(04)
[9]成像光譜數(shù)據(jù)的光譜信息特點及最佳波段選擇——以北京順義區(qū)為例[J]. 姜小光,王長耀,王成.  干旱區(qū)地理. 2000(03)



本文編號：3647781