發(fā)布時(shí)間：2021-01-21 02:31

　　高光譜遙感影像可以提供數(shù)十甚至數(shù)百含有豐富地球表面的波段信息。從這些信息中,有效提取特征信息,對于地物識(shí)別、場景理解、目標(biāo)檢測等諸多相關(guān)領(lǐng)域的研究具有非常重要的意義。然而高光譜遙感影像為數(shù)據(jù)分析提供豐富的有用波段信息的同時(shí),也為高光譜遙感影像分析處理帶來許多問題和挑戰(zhàn):（1）噪聲問題。高光譜遙感影像在獲取過程中,受到傳感器、大氣、光照變化等因素的影響,影像常會(huì)存在大量復(fù)雜噪聲,使波段信息嚴(yán)重失真,不利于特征信息的有效提取;（2）小樣本問題。高光譜遙感影像真實(shí)地物標(biāo)簽獲取成本高和難度大,不容易采集到大量的標(biāo)簽樣本用于訓(xùn)練模型,常會(huì)出現(xiàn)僅有少量標(biāo)簽樣本可用于高光譜遙感影像分類的高挑戰(zhàn)性問題,這種在樣本數(shù)目稀少情況下實(shí)現(xiàn)高光譜遙感影像精細(xì)分類的問題,稱之為小樣本問題。（3）跨區(qū)域混合問題。高光譜遙感影像在去噪過程中由于空間分辨率小和地物分布復(fù)雜,將經(jīng)常發(fā)生跨區(qū)域混合,即除目標(biāo)地物特征外還混合有其他地物特征,此時(shí),執(zhí)行去噪任務(wù),將受到跨區(qū)域混合影響,使輸出影像產(chǎn)生模糊區(qū)域,從而影響高光譜遙感影像的特征提取。為此,本文開展了基于改進(jìn)濾波算法的高光譜遙感影像特征提取研究,在高光譜遙感影像的噪聲問題... 

【文章來源】：中國地質(zhì)大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：115 頁

【學(xué)位級別】：博士

【部分圖文】：

高光譜遙感影像立體示意圖

圖 1-2a、b 和 c 分別是 Indian Pine 假彩色合成圖、真實(shí)地類圖和顏色編。該實(shí)驗(yàn)區(qū)包含 16 種真實(shí)地類，具體如下：苜蓿草（Alfalfa）、未耕玉米地Corn_n)、玉米幼苗（Corn_m）、玉米（Corn）、修剪過的草地/牧場(Grass_m)、地/樹林（Grass_t）、草地/牧場（Grass_p）、干草/料堆（Hay_w）、燕麥(Oats)、耕大豆地(Soybeans_n)、大豆幼苗（Soybeans_m）、整理過的大豆地（Soybeans_c）麥（Wheat）、木柴（Woods）、建筑（Building）和石頭（Stone）。University of Pavia 圖像是通過 ROSIS 傳感器獲取，位于 Pavia 大學(xué)的城市區(qū)周圍的圖像。圖的大小為 610 × 340，空間分辨率為 1.3m，光譜范圍從 0.43 0.86μm，包含 115 個(gè)波段，其中 12 個(gè)噪聲通道被移除，剩余 103 個(gè)波段。圖3a、b 和 c 分別是 University of Pavia 假彩色合成圖、真實(shí)地類圖和顏色編號。實(shí)驗(yàn)區(qū)包含 9 種真實(shí)地類，具體如下：柏油馬路（Asphalt）、草地（Meadows）、礫（Gravel）、樹木（Trees）、金屬板（Metal sheets）、裸土（Bare soil）、油屋頂（Bitumen）、磚塊（Bricks）和陰影（Shadows）。

圖 1-4 Salinas 實(shí)驗(yàn)數(shù)據(jù)Figure 1-4 Salinas experimental datainas 是通過 AVIRIS 傳感器獲取，美國加州 Salinas 山谷的圖像2 × 217，空間分辨率為 3.7m，包含 224 個(gè)波段，其中移除 20 個(gè)，圖 1-4a、b 和 c 分別是 Salinas 假彩色合成圖、真實(shí)地類圖和27


本文編號：2990274