【摘要】：本文的主要目標(biāo)是VHR多光譜和高光譜遙感圖像的分類(lèi)。上一代遙感傳感器能夠從衛(wèi)星和機(jī)載平臺(tái)獲得空間及光譜分辨率非常高的圖像。新一代遙感系統(tǒng)獲取的VHR多光譜圖像,不僅擁有亞測(cè)量空間分辨率和高光譜圖像,而且具有數(shù)百個(gè)窄光譜帶的非常精細(xì)的光譜分辨率。遙感圖像用給定研究區(qū)域內(nèi)的空間坐標(biāo)(如街道,建筑物,植被,水等等)來(lái)精確表征地面上的不同目標(biāo)。這種類(lèi)型的數(shù)據(jù)為環(huán)境、安全、城市研究、監(jiān)測(cè)等相關(guān)的若干應(yīng)用提供了十分有用的信息。針對(duì)具有多光譜和高光譜數(shù)據(jù)的實(shí)際應(yīng)用的開(kāi)發(fā),有必要為圖像分析設(shè)計(jì)出更為高效的方法。本文將重點(diǎn)放在遙感圖像分類(lèi)中的特征提取和融合技術(shù)上,這是VHR多光譜和高光譜圖像分類(lèi)框架中最重要的一步。作為包含廣泛的空間、時(shí)間、光譜和輻射分辨率的遙感數(shù)據(jù)中的主要應(yīng)用之一,圖像分類(lèi)是遙感中的一項(xiàng)重要任務(wù)。它可以作為遙感領(lǐng)域大多數(shù)圖像理解和表示的支點(diǎn)。像素級(jí)分類(lèi)是遙感領(lǐng)域的重要研究課題,由于兩方面的因素使其極具挑戰(zhàn)性。首先,數(shù)據(jù)的光譜維度很大。其次,光譜特征的空間變化很大。因此,本文的總體目標(biāo)是開(kāi)發(fā)VHR多光譜和高光譜圖像分類(lèi)的新技術(shù)。本文提出的方法致力于提取和描述能夠表示大光譜和空間信息的有用特征以提高分類(lèi)性能,并在實(shí)際應(yīng)用中得到良好的分類(lèi)結(jié)果。本論文考慮以下三種不同的策略:1)第一種策略是開(kāi)發(fā)用于高光譜和VHR多光譜圖像分類(lèi)的特征提取技術(shù),以識(shí)別出有用的光譜和空間特征。這些特征針對(duì)預(yù)定義的類(lèi)別有著很高的區(qū)分能力,且在給定場(chǎng)景的空間域中具有高度不變性。該特征提取策略基于兩個(gè)提取器:擴(kuò)展的多屬性輪廓和稀疏自編碼器。在第一個(gè)中,我們使用擴(kuò)展多屬性輪廓(EMAP)來(lái)提取空間特征。接著,我們使用稀疏自編碼器(SAE)進(jìn)行EMAP-SAE的特征提取和降維。最終得到的EMAP-SAE特征被用于支持向量機(jī)(SVM)的有監(jiān)督分類(lèi)。盡管這種方法具有很高的性能和速度,但我們發(fā)現(xiàn)這個(gè)過(guò)程失去了大量的光譜信息。為此,我們?cè)O(shè)計(jì)了第二種方法Spectral-EMAP-SAE來(lái)恢復(fù)光譜信息的損失以提高分類(lèi)的性能。在這個(gè)方法中,擴(kuò)展的多屬性輪廓被用于空間特征的提取,之后空間特征被連接到一個(gè)給定的遙感圖像的完全原始光譜信息來(lái)描述它的光譜空間特性。由此得到的特征被送入稀疏自編碼器來(lái)提取更有效的混合特征。最后,通過(guò)SVM分類(lèi)器來(lái)對(duì)所學(xué)到的光譜空間特征進(jìn)行分類(lèi)。2)第二種D-SS Frame(D-SS幀:深譜-空間幀)策略基于特征提取和融合技術(shù),使用深度學(xué)習(xí)方法進(jìn)行全色和多光譜圖像分類(lèi)。具體而言,所提出的方法使用稀疏自編碼器和深層堆疊稀疏自編碼器從同一場(chǎng)景的全色(PAN)和多光譜(MS)圖像中提取和融合光譜及空間信息。所設(shè)計(jì)的框架分為三個(gè)階段:第一階段是利用稀疏自編碼器從全色圖像(高分辨率圖像)中提取空間信息,第二階段采用堆疊稀疏自動(dòng)編碼器(SSAE)描述多光譜圖像(低分辨率圖像)的光譜信息。最后,在第三階段,直接將從全色和多光譜圖像中獲得的空間和光譜特征進(jìn)行簡(jiǎn)單的特征融合,然后將其作為SVM分類(lèi)器的輸入。在采用同一傳感器“WorldView-2衛(wèi)星”采集的MS和PAN圖像數(shù)據(jù)集上,對(duì)提出的方法進(jìn)行實(shí)驗(yàn)驗(yàn)證。3)最后,第三種RS-MSSF Frame(RS-MSSF:遙感多光譜空間特征)策略是基于光譜特征和多空間特征提取對(duì)遙感圖像進(jìn)行光譜空間分類(lèi)。除了使用堆疊稀疏自編碼器提取的深度光譜特征外,還提取了兩種不同類(lèi)型的空間特征“形狀-幾何特征”和“紋理特征”。在我們的方法中,擴(kuò)展多屬性輪廓用于提取形狀幾何特征,快速灰度級(jí)共生矩陣(FGLCM)用于提取紋理特征。因此,光譜和多空間特征融合的結(jié)果被作為SVM分類(lèi)器的輸入。與本文提到的其他策略相比,這些高級(jí)特征的融合實(shí)現(xiàn)了高分類(lèi)精度。此外,這種新的特征提取和融合過(guò)程適用于不同框架下的不同類(lèi)型的遙感圖像。
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬啟明;;多光譜圖像技術(shù)在食品品質(zhì)檢測(cè)中的應(yīng)用研究[J];食品界;2017年04期

2 孫根云;張愛(ài)竹;王振杰;;基于數(shù)據(jù)場(chǎng)模型的多光譜圖像邊緣檢測(cè)[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S1期

3 ;我國(guó)研制出同時(shí)獲取立體和多光譜圖像方法[J];現(xiàn)代科學(xué)儀器;2011年02期

4 ;我國(guó)研制出同時(shí)獲取立體和多光譜圖像的方法[J];光學(xué)儀器;2011年03期

5 李嬋;萬(wàn)曉霞;謝偉;李天庭;梁金星;;照明光源對(duì)多光譜圖像采集精度影響的研究[J];激光雜志;2016年12期

6 李云;楊海清;;多光譜圖像技術(shù)在土壤酸堿度檢測(cè)中的應(yīng)用[J];紅外;2014年03期

7 黃云仙;李祥;艾未華;;多光譜圖像的無(wú)損壓縮方法[J];計(jì)算機(jī)工程與科學(xué);2010年04期

8 李云松;孔繁鏘;吳成柯;雷杰;;基于分布式信源編碼的干涉多光譜圖像壓縮[J];光學(xué)學(xué)報(bào);2008年08期

9 鄧?yán)?李元祥;;基于整數(shù)小波變換的MODIS多光譜圖像無(wú)損壓縮[J];解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年01期

10 王海文;李杰;萬(wàn)曉霞;盧玲;阮渭平;壽偉克;毛立洪;李云霞;;面向高保真復(fù)現(xiàn)的多光譜圖像融合算法[J];數(shù)字印刷;2019年02期

相關(guān)會(huì)議論文 前10條

1 孫根云;張愛(ài)竹;王振杰;;基于數(shù)據(jù)場(chǎng)模型的多光譜圖像邊緣檢測(cè)[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[C];2013年

2 黃云仙;李祥;艾未華;;多光譜圖像的無(wú)損壓縮方法[A];2009第五屆蘇皖兩省大氣探測(cè)、環(huán)境遙感與電子技術(shù)學(xué)術(shù)研討會(huì)專(zhuān)輯[C];2009年

3 陳海永;楊佳博;王慶;王濤;陳鵬;劉坤;;復(fù)雜背景太陽(yáng)能電池片表面缺陷多光譜圖像融合[A];2018中國(guó)自動(dòng)化大會(huì)(CAC2018)論文集[C];2018年

4 邸(韋冿);;基于三維高斯馬爾可夫隨機(jī)場(chǎng)模型的多光譜圖像目標(biāo)自動(dòng)檢測(cè)[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

5 張憲偉;宋建社;張紅蕾;廖增為;;SAR圖像與多光譜圖像融合方法研究[A];第三屆全國(guó)數(shù)字成像技術(shù)及相關(guān)材料發(fā)展與應(yīng)用學(xué)術(shù)研討會(huì)論文摘要集[C];2004年

6 姜偉杰;孫明;孫潔瓊;;基于光譜分析及光譜圖像技術(shù)作物長(zhǎng)勢(shì)檢測(cè)研究綜述[A];紀(jì)念中國(guó)農(nóng)業(yè)工程學(xué)會(huì)成立30周年暨中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2009年學(xué)術(shù)年會(huì)（CSAE 2009）論文集[C];2009年

7 劉吉平;郭艷柳;;一個(gè)基于慣量橢球的遙感圖像匹配新算法[A];第十七屆中國(guó)遙感大會(huì)摘要集[C];2010年

8 王海華;張彥娥;郭威;;基于多光譜圖像的玉米營(yíng)養(yǎng)監(jiān)測(cè)技術(shù)研究[A];中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C];2011年

9 蔣年德;王耀南;;基于小波包變換融合TM多光譜圖像與SPOT全色圖像[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

10 況軍;羅建書(shū);黃志雄;;基于三維自適應(yīng)預(yù)測(cè)的多光譜圖像的無(wú)損壓縮算法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

相關(guān)重要報(bào)紙文章 前2條

1 記者 詹媛;首批高分辨率衛(wèi)星影像圖發(fā)布[N];光明日?qǐng)?bào);2013年

2 電子系;清華技術(shù)精準(zhǔn)鑒別鈔票真?zhèn)蝃N];新清華;2011年

相關(guān)博士學(xué)位論文 前10條

1 李嬋;彩繪文物多通道光譜圖像獲取方法研究[D];武漢大學(xué);2016年

2 潘之瑋;基于圖像融合的多光譜圖像超分辨率重建算法[D];浙江大學(xué);2019年

3 HANANE TEFFAHI;高光譜和多光譜圖像分類(lèi)的譜-空間特征提取技術(shù)[D];哈爾濱工業(yè)大學(xué);2018年

4 陳書(shū)界;多光譜圖像配準(zhǔn)與去模糊方法研究[D];浙江大學(xué);2018年

5 翟林;自適應(yīng)多光譜圖像稀疏逼近濾波算法研究[D];山東大學(xué);2018年

6 張凱;基于稀疏矩陣分解的遙感圖像融合[D];西安電子科技大學(xué);2018年

7 隋延林;基于張量的多光譜圖像云檢測(cè)與在軌實(shí)時(shí)處理研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2019年

8 金劍秋;多光譜圖像的融合與配準(zhǔn)[D];浙江大學(xué);2005年

9 梁瑋;基于光譜特性的多光譜圖像壓縮方法研究[D];西安電子科技大學(xué);2014年

10 戎凱旋;基于投影替代與矩陣低秩稀疏分解的多光譜圖像融合[D];西安電子科技大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 朱晨青;基于多光譜圖像技術(shù)的迷彩面料顏色測(cè)量分析[D];江南大學(xué);2019年

2 王飛翔;調(diào)理肉多光譜圖像在線檢測(cè)設(shè)備的設(shè)計(jì)與試驗(yàn)[D];河南科技大學(xué);2019年

3 王志輝;印度幣多光譜圖像識(shí)別方法研究[D];華中科技大學(xué);2019年

4 涂淑琪;基于卷積神經(jīng)網(wǎng)絡(luò)的多光譜圖像分割技術(shù)研究[D];北京交通大學(xué);2019年

5 張德鈞;基于Faster R-CNN和多光譜圖像的漂浮HNS檢測(cè)與分類(lèi)研究[D];浙江大學(xué);2019年

6 楊駿鋒;基于卷積神經(jīng)網(wǎng)絡(luò)的Pan-sharpening方法[D];廈門(mén)大學(xué);2018年

7 何欣;多光譜圖像深度特征描述與魯棒匹配[D];北京郵電大學(xué);2019年

8 閆昱光;基于多光譜圖像的水稻估產(chǎn)模型研究[D];東北農(nóng)業(yè)大學(xué);2019年

9 HADI-LAI BAKARY;基于張量正則化框架的遙感多光譜圖像降噪研究[D];重慶交通大學(xué);2018年

10 劉賢文;多尺度幾何分析和稀疏表示的多光譜圖像融合方法[D];南京理工大學(xué);2018年

，

本文編號(hào)：2654904