高光譜圖像具有較高的光譜分辨率,通常每一個像元的光譜維度能夠達(dá)到幾十甚至幾百。但是高光譜圖像的空間分辨率較低,同時由于地表物質(zhì)的微觀混合、多重反射、大氣散射以及儀器本身等因素,使得高光譜圖像普遍存在混合像元的問題,即成像光譜儀所測量的光譜信號其實(shí)是場景中多種物質(zhì)反射率的混合。因此,光譜解混便成為了高光譜圖像數(shù)據(jù)探索中一個富有挑戰(zhàn)性的課題。眾所周知,深度學(xué)習(xí)近年來大放異彩,在文本分類、語音識別、機(jī)器翻譯、計算機(jī)視覺等領(lǐng)域取得了令人矚目的成果,這主要?dú)w功于深度學(xué)習(xí)強(qiáng)大的擬合能力和特征提取能力。雖然深度學(xué)習(xí)已經(jīng)被廣泛應(yīng)用在了高光譜圖像分類當(dāng)中,但卻較少應(yīng)用于高光譜圖像解混。本文即利用深度學(xué)習(xí)的相關(guān)模型,設(shè)計能與光譜解混相匹配的網(wǎng)絡(luò)結(jié)構(gòu),實(shí)現(xiàn)高光譜圖像解混。本文首先對高光譜圖像解混的相關(guān)概念進(jìn)行敘述,并闡述了現(xiàn)有解混方法的研究現(xiàn)狀;同時也介紹了深度學(xué)習(xí)的相關(guān)知識,總結(jié)了深度學(xué)習(xí)的優(yōu)勢及其在相關(guān)領(lǐng)域的應(yīng)用。隨后,針對高光譜圖像解混,本文構(gòu)建了兩種深度學(xué)習(xí)框架下的網(wǎng)絡(luò)架構(gòu):（1）基于光譜信息的網(wǎng)絡(luò)架構(gòu)。該架構(gòu)應(yīng)用了全連接的前饋神經(jīng)網(wǎng)絡(luò),將高光譜圖像的光譜信息作為輸入進(jìn)行解混。這一網(wǎng)絡(luò)架構(gòu)設(shè)計了特定... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

高光譜成像原理

在對高光譜圖像解混時，第一步就是要建立光譜混合模型，不同不同的物理意義，然后再選取相應(yīng)的數(shù)學(xué)工具，針對不同的光譜算法，實(shí)現(xiàn)高光譜圖像解混。光譜混合模型可以分為線性混合模，下面分別對這兩種模型進(jìn)行介紹�；旌夏Ｐ突旌夏Ｐ统闪⒌臈l件是混合尺度是宏觀的，即太陽入射光線僅與作用，經(jīng)物質(zhì)反射后的光線直接被傳感器所接收。當(dāng)?shù)匚锓植汲示褪堑乇砦镔|(zhì)分區(qū)明顯，便可以假設(shè)光譜混合模型是線性的。此是由高光譜成像儀本身的空間分辨率較低造成的，空間分辨率元所代表的實(shí)際區(qū)域的大小。高光譜圖像中每一個像元所代表包含了幾種不同的物質(zhì)，它們所反射的光線都會被傳感器接收光譜上，此時便出現(xiàn)了混合像元問題。圖 2-1 展示了線性混合模

為豐度矩陣，每一列代表的是對應(yīng)混合像元的豐度系數(shù)陣。 表示豐度矩陣 中的每一個元素都是非負(fù)的， 表示。性混合模型，非線性混合通常是由于場景中多種物質(zhì)散射的光之間發(fā)生了物相互作用可以分為傳統(tǒng)的（classical）和親密的（intimate）[4]�；プ饔檬侵�，太陽入射光照射到一個物體之后，該物體所反射的物體上，最終才被傳感器所接收；親密交互通常發(fā)生在地表物質(zhì)此時一種物質(zhì)的分子受太陽光照射所發(fā)射的光子被另一種物質(zhì)的會因此發(fā)射更多的光子，而這些光子最終被傳感器接收。圖 2-2 非線性光譜混合情形。


本文編號：3260109