基于區(qū)域稀疏表示的高空間分辨率遙感影像分類研究
本文關(guān)鍵詞：基于區(qū)域稀疏表示的高空間分辨率遙感影像分類研究
更多相關(guān)文章： 高空間分辨率遙感影像 稀疏表示 面向?qū)ο?/b> 影像分割 多尺度 加權(quán)聯(lián)合稀疏表示
【摘要】：近年來,遙感技術(shù)發(fā)展迅猛,高空間分辨率遙感影像(下面簡稱:高分影像)已經(jīng)成為地理空間信息的主要數(shù)據(jù)源,目前廣泛應用于測繪制圖、城市規(guī)劃、災害監(jiān)測、交通建設、資源環(huán)境、精細農(nóng)業(yè)、國防、社會公共服務等領(lǐng)域。高分影像可以清晰地表示地物的形狀、空間分布和結(jié)構(gòu)特征,但是也給高分影像智能化處理帶來了新的問題和挑戰(zhàn)。隨著影像分辨率的提高,地物信息呈現(xiàn)高度細節(jié)化,豐富的高頻細節(jié)使得類內(nèi)光譜變化加劇和類間光譜差異減少,“同物異譜”和“異物同譜”大量發(fā)生。高分影像除了光譜信息還具有豐富的紋理、結(jié)構(gòu)和形狀特征,充分利用這些特征提高特征空間的模式可分性,一直是國內(nèi)外學者研究的重點。但是并不是隨著特征維數(shù)增加分類精度就相應提高,但相關(guān)研究表明隨著特征向量維數(shù)急劇增加,在沒有大量訓練樣本的情況下,就會引發(fā)所謂的“維數(shù)災難”,特征向量維數(shù)增加反而會降低地物的分類精度。為了克服上述問題,更好的利用多維特征,本文結(jié)合面向?qū)ο笥跋穹治龇椒ê拖∈璞硎纠碚?提出一種適合高維特征的高分影像分類算法。由于稀疏表示和面向?qū)ο蠓椒〒碛型晟频睦碚摶A,已經(jīng)廣泛應用于信號處理、遙感影像分類和目標識別等領(lǐng)域。所以本文將對稀疏表示理論應用于高分影像分類進行了深入研究和探討,并結(jié)合了面向?qū)ο蠓椒?提出了一種的高分辨率遙感影像分類的新方法和新思路。本文主要研究內(nèi)容如下:1、結(jié)合高分影像特點,分析了高分影像處理所面臨的問題,闡述稀疏表示和面向?qū)ο笥跋穹治龇椒ǖ膬?yōu)勢,并系統(tǒng)地介紹了稀疏表示理論和面向?qū)ο笥跋穹治龅幕驹砗头椒ā?、總結(jié)了稀疏表示理論在圖像分類方面的應用,根據(jù)稀疏表示在高光譜遙感影像分類中的應用,結(jié)合高分影像的地物幾何結(jié)構(gòu)和紋理信息明顯的特點,提取高分影像多類型特征集(如:紋理、形狀、結(jié)構(gòu)、空間關(guān)系等特征),彌補了光譜特征的不足,最后采用稀疏表示方法進行多特征分類。3、提出了基于區(qū)域的稀疏表示算法。將稀疏表示理論的處理基元由像素級擴展到區(qū)域級,在高層次的影像分析中可以獲得更豐富的信息,有利于影像處理。本文將基于區(qū)域的稀疏表示算法應用于高分影像分類,首先對高分影像進行區(qū)域分割,然后將區(qū)域內(nèi)部像元特征組成一個特征集,基于特征字典,得出一個新的代表區(qū)域的特征,最后根據(jù)稀疏表示分類理論確定區(qū)域類別。本文選用三個高空間分辨率遙感數(shù)據(jù)集進行分類實驗,分別為QuickBird衛(wèi)星影像數(shù)據(jù)、HYDICE航空影像數(shù)據(jù)和IKONOS衛(wèi)星影像數(shù)據(jù),采用7種傳統(tǒng)分類方法:最小距離分類、最大似然分類、神經(jīng)網(wǎng)絡算法、支持向量機、基于區(qū)域的神經(jīng)網(wǎng)絡、基于區(qū)域的支持向量機和傳統(tǒng)稀疏表示分類,與本文基于區(qū)域的稀疏表示算法做對比分析,證明本文算法能獲得較高的分類精度,并有效抑制了“維數(shù)災難”的產(chǎn)生。4、提出基于多尺度區(qū)域的稀疏表示算法。由于高分影像地物形狀和空間分布復雜,具有很強的多尺度性,因此本文進一步對單一尺度的區(qū)域稀疏表示擴展到多尺度區(qū)域稀疏表示,并提出一種新的多尺度區(qū)域稀疏表示分類算法:運用單尺度區(qū)域稀疏表示中的方法求出每個尺度各個區(qū)域代表特征,根據(jù)各個區(qū)域的局部莫蘭指數(shù)和區(qū)域方差得出一個區(qū)域異質(zhì)性指數(shù),以區(qū)域異質(zhì)性指數(shù)表示各個尺度的權(quán)重,采用加權(quán)稀疏表示理論完成高分影像分類。實驗表明:相對于單尺度分類結(jié)果,基于多尺度區(qū)域稀疏表示的分類精度有了進一步的提高。
【關(guān)鍵詞】：高空間分辨率遙感影像 稀疏表示 面向?qū)ο?/strong> 影像分割 多尺度 加權(quán)聯(lián)合稀疏表示
【學位授予單位】：云南師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：P237
【目錄】：
- 摘要3-5
- Abstract5-10
- 第1章 緒論10-15
- 1.1 研究背景與意義10-11
- 1.2 面向?qū)ο蟮母叻直媛蔬b感影像分類研究現(xiàn)狀11-12
- 1.3 稀疏表示在圖像分類中的研究現(xiàn)狀12-14
- 1.4 本文主要研究內(nèi)容14-15
- 第2章 基礎理論15-25
- 2.1 稀疏表示基礎理論15-19
- 2.1.1 稀疏編碼算法16-18
- 2.1.2 聯(lián)合稀疏表示18-19
- 2.2 區(qū)域分割基礎理論19-25
- 2.2.1 均值漂移分割算法（Mean Shift）20-22
- 2.2.2 分形網(wǎng)絡演化分割算法（FNEA）22-25
- 第3章 基于區(qū)域稀疏表示的高分辨率遙感影像分類25-68
- 3.1 基于區(qū)域稀疏表示的高分辨率遙感影像分類算法25-29
- 3.1.1 區(qū)域分割與特征提取26-27
- 3.1.2 基于區(qū)域的稀疏表示分類算法27-29
- 3.2 影像分類精度評價方法29-30
- 3.3 實驗與分析30-66
- 3.3.1 實驗一33-44
- 3.3.2 實驗二44-55
- 3.3.3 實驗三55-66
- 3.4 本章總結(jié)66-68
- 第4章 基于多尺度區(qū)域稀疏表示的高分辨率遙感影像分類68-81
- 4.1 基于多尺度區(qū)域稀疏表示理論68-73
- 4.1.1 多尺度分割與特征提取69-71
- 4.1.2 獲取最佳區(qū)域特征71
- 4.1.3 獲取多尺度區(qū)域權(quán)重71-72
- 4.1.4 加權(quán)聯(lián)合稀疏表示分類72-73
- 4.2 實驗與分析73-79
- 4.2.1 實驗一73-75
- 4.2.2 實驗二75-78
- 4.2.3 實驗三78-79
- 4.3 本章總結(jié)79-81
- 第5章 總結(jié)與展望81-83
- 5.1 結(jié)論81-82
- 5.2 展望82-83
- 參考文獻83-89
- 附錄A: 圖目錄89-91
- 附錄B: 表目錄91-92
- 研究成果92-93
- 致謝93
【參考文獻】
中國期刊全文數(shù)據(jù)庫 前10條
1 余曉東;雷英杰;宋亞飛;岳韶華;胡軍紅;;基于直覺模糊核匹配追蹤集成的目標識別方法[J];通信學報;2015年10期
2 楊釗霞;鄒崢嶸;陶超;田彥平;何小飛;;空-譜信息與稀疏表示相結(jié)合的高光譜遙感影像分類[J];測繪學報;2015年07期
3 張超;李智曉;李鵬山;楊建宇;朱德海;;基于高分辨率遙感影像分類的城鎮(zhèn)土地利用規(guī)劃監(jiān)測[J];農(nóng)業(yè)機械學報;2015年11期
4 王志社;楊風暴;彭智浩;;基于NSST和稀疏表示的多源異類圖像融合方法[J];紅外技術(shù);2015年03期
5 宋曉陽;姜小三;江東;黃耀歡;萬華偉;王昌佐;;基于面向?qū)ο蟮母叻钟跋穹诸愌芯縖J];遙感技術(shù)與應用;2015年01期
6 李奕;吳小俊;;香農(nóng)熵加權(quán)稀疏表示圖像融合方法研究[J];自動化學報;2014年08期
7 賈明明;王宗明;張柏;丁智;;綜合環(huán)境衛(wèi)星與MODIS數(shù)據(jù)的面向?qū)ο笸恋馗采w分類方法[J];武漢大學學報(信息科學版);2014年03期
8 何少林;徐京華;張帥毅;;面向?qū)ο蟮亩喑叨葻o人機影像土地利用信息提取[J];國土資源遙感;2013年02期
9 宋相法;焦李成;;基于稀疏表示及光譜信息的高光譜遙感圖像分類[J];電子與信息學報;2012年02期
10 趙佳佳;唐崢遠;楊杰;劉爾琦;周越;;基于圖像稀疏表示的紅外小目標檢測算法[J];紅外與毫米波學報;2011年02期
，本文編號：1043689
本文鏈接：http://sikaile.net/kejilunwen/dizhicehuilunwen/1043689.html
