【摘要】：隨著遙感設(shè)備和技術(shù)的快速發(fā)展,我們可以通過多光譜/高光譜圖像和合成孔徑雷達(dá)來得到更多深入觀察地球的機(jī)會(huì)。遙感設(shè)備幫助我們捕捉到越來越多不同類型、不同分辨率(空間分辨率、光譜分辨率和時(shí)間分辨率)的機(jī)載或衛(wèi)星圖像。這些圖像的高維度成為甚高分辨率(Very High Resolution,VHR)場景分類的巨大挑戰(zhàn)之一,同時(shí)也要求采用更有效的方法來實(shí)現(xiàn)土地利用及覆蓋的圖像場景分類,這也是遙感圖像領(lǐng)域中最重要的任務(wù)之一。VHR圖像場景分類中最重要的一步是特征提取,它將圖像場景表示成特征向量的形式。根據(jù)像素級(jí)/圖像級(jí)的表示可以將已有的VHR圖像場景描述方法分成三類,這些方法都直接依賴于圖像場景的全局表示。本文我們關(guān)注于VHR圖像場景分類中的特征提取方法,提出能夠?qū)HR圖像場景中帶有不同幾何性質(zhì)的區(qū)域如機(jī)場、建筑、森林等進(jìn)行準(zhǔn)確分類的技術(shù)。目前已有若干應(yīng)用與監(jiān)控人類活動(dòng)下的自然環(huán)境密切相關(guān),而VHR圖像則為他們提供了非常有用的信息。VHR圖像場景分類致力于提取能夠表示目標(biāo)區(qū)域的特征,但與VHR圖像相關(guān)的大規(guī)模數(shù)據(jù)卻使得分類問題變得非常復(fù)雜,而目前可用的方法仍然不足以來分析這類遙感數(shù)據(jù)�；诖�,為了增強(qiáng)自動(dòng)提取VHR圖像場景中有用特征的能力,本文的總體目標(biāo)是提出創(chuàng)新的技術(shù)來對VHR圖像進(jìn)行分析和分類。具體來講,本文主要考慮以下幾個(gè)問題:(1)如何從大量的VHR數(shù)據(jù)中得到優(yōu)異的特征表示,這對于VHR圖像場景分析而言仍然是一個(gè)重要的任務(wù)。為了提取更為有效魯棒的特征來對圖像場景進(jìn)行分類,我們提出了一個(gè)基于稀疏手工特征選擇的VHR場景分類方法。首先,我們通過手工設(shè)計(jì)的方法從原始的VHR圖像中提取局部特征來構(gòu)造一個(gè)視覺詞典。接著,稀疏主成分分析法(sparse Principal Component Analysis,s PCA)被用于從這個(gè)視覺詞典中學(xué)習(xí)對應(yīng)于每一類的代表特征集合。最后,我們采用這些稀疏的低層特征來表示圖像場景。(2)針對VHR圖像分類任務(wù),我們提出了一種稱為顯著塊采樣的方法。實(shí)際應(yīng)用中,s PCA稀疏主成分分析法被用來為圖像場景表示選擇對應(yīng)的顯著塊。這種方法在場景理解中是十分高效和魯棒的。(3)根據(jù)特定的語義類別集合來標(biāo)注VHR圖像場景是一件十分重要的任務(wù)�？紤]到屬于同一類別的地表可能有著非常大的變化,且目標(biāo)可能出現(xiàn)在不同的尺度和方向上,我們提出了一個(gè)基于CNN模型的VHR圖像語義分類方法。首先,我們采用在Image Net數(shù)據(jù)集上預(yù)訓(xùn)練的VGG模型來對原始的VHR圖像提取特征。接著,VGG網(wǎng)絡(luò)的全連接層輸出將被聯(lián)合起來形成VHR圖像場景的最終表示。之后,我們采用基于判別相關(guān)分析的特征融合策略來對VGG網(wǎng)絡(luò)提取的原始特征進(jìn)行優(yōu)化。相較于傳統(tǒng)的特征融合策略,這種融合方法效率更高。(4)盡管已經(jīng)存在一些工作利用深度特征來對VHR圖像場景進(jìn)行表示,但是如何優(yōu)化從CNN模型到VHR圖像場景理解的遷移過程依然是一個(gè)十分具有挑戰(zhàn)性的問題。我們提出了一個(gè)簡單高效的方法來探索CNN網(wǎng)絡(luò)不同層的優(yōu)勢。為了表示VHR圖像內(nèi)容的語義和背景信息,我們采用CNN模型來從原始的VHR圖像場景中提取特征。接著,我們采用基于編碼的方法在CNN模型的卷積層特征上生成對應(yīng)于輸入圖像的視覺單詞。我們對VHR圖像場景分類的相關(guān)文獻(xiàn)進(jìn)行了深入的研究,并在2.1節(jié)就現(xiàn)有方法的局限性進(jìn)行了說明。為了解決這些問題,我們提出了若干創(chuàng)新方法,并在真實(shí)遙感圖像上進(jìn)行了實(shí)驗(yàn)驗(yàn)證。大量的實(shí)驗(yàn)結(jié)果表明,本文所提出的方法在VHR圖像場景分類任務(wù)上是十分有效的。
【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
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳輝;;淺議車牌識(shí)別中字符的特征提取方法[J];科技傳播;2009年05期

2 徐德友,胡壽松;利用粗集上近似處理特征提取中的噪聲問題[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年S1期

3 佟德純;王永興;;一種新的齒輪狀態(tài)的分類識(shí)別方法—CEP-AR特征提取與分類[J];振動(dòng)與沖擊;1988年03期

4 羅斌;黃端旭;;皮膚癌表面圖象特征提取[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);1989年03期

5 王仁華;宋原章;;漢語孤立音節(jié)的分段研究[J];信號(hào)處理;1989年02期

6 楊小軍;;圖片特征提取[J];中小企業(yè)管理與科技(中旬刊);2017年03期

7 武弘;;六種常用的網(wǎng)絡(luò)流量特征提取工具[J];計(jì)算機(jī)與網(wǎng)絡(luò);2017年06期

8 李晉徽;楊俊安;王一;;一種新的基于瓶頸深度信念網(wǎng)絡(luò)的特征提取方法及其在語種識(shí)別中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2014年03期

9 唐朝霞;;一種基于特征提取的簡答題閱卷算法[J];湖南工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年01期

10 曹國輝;;車輛特征提取方法綜述[J];中國水運(yùn)(理論版);2006年03期

相關(guān)會(huì)議論文 前10條

1 王紀(jì)凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學(xué)習(xí)方法[A];第17屆中國系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會(huì)論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學(xué)芳;;人臉識(shí)別中特征提取的一種改進(jìn)方法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動(dòng)目標(biāo)的分割與特征提取[A];全國第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專刊[C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無聲語音接口的超聲圖像的混合特征提取[A];第十三屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議(NCMMSC2015)論文集[C];2015年

5 徐繼偉;李建中;柳勃;楊昆;;使用支持向量機(jī)和改進(jìn)特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

6 劉德剛;邵國凡;;高維遙感數(shù)據(jù)分析的特征提取方法[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學(xué)術(shù)年會(huì)文集[C];2000年

7 許強(qiáng);楊佳;;基于線性加權(quán)的免疫克隆算法的手指靜脈特征提取[A];中國自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)B卷[C];2011年

8 高學(xué);金連文;尹俊勛;;基于筆劃密度的彈性網(wǎng)格特征提取方法[A];2001年中國智能自動(dòng)化會(huì)議論文集（上冊）[C];2001年

9 白真龍;霍強(qiáng);;在聯(lián)機(jī)手寫中文識(shí)別中一種針對8方向特征提取的改進(jìn)算法[A];中文信息處理前沿進(jìn)展——中國中文信息學(xué)會(huì)二十五周年學(xué)術(shù)會(huì)議論文集[C];2006年

10 杜栓平;丁烽;楊華;;基于小波系數(shù)聚類的特征提取器[A];中國聲學(xué)學(xué)會(huì)2002年全國聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2002年

相關(guān)重要報(bào)紙文章 前3條

1 宇航智控;預(yù)測與健康管理(PHM)技術(shù)[N];中國航空報(bào);2018年

2 記者 賈玎玎;北京紡控主營業(yè)務(wù)收入增長11.39%[N];首都建設(shè)報(bào);2015年

3 中國信息通信研究院泰爾終端實(shí)驗(yàn)室 曾晨曦 段虎才;深度學(xué)習(xí)框架的前世今生[N];人民郵電;2018年

相關(guān)博士學(xué)位論文 前10條

1 蘇雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率圖像場景分類的特征提取與選擇研究[D];哈爾濱工業(yè)大學(xué);2018年

2 溫柳英;多模態(tài)數(shù)據(jù)特征提取的粒計(jì)算方法研究與應(yīng)用[D];西南石油大學(xué);2017年

3 李文娟;基于局部特征提取的人臉識(shí)別方法研究[D];天津大學(xué);2017年

4 王振宇;面向人臉識(shí)別的特征提取技術(shù)應(yīng)用研究[D];東南大學(xué);2016年

5 馬麗紅;復(fù)雜背景下人臉的定位和特征提取[D];華南理工大學(xué);1999年

6 謝平;故障診斷中信息熵特征提取及融合方法研究[D];燕山大學(xué);2006年

7 張紹武;基于支持向量機(jī)的蛋白質(zhì)分類研究[D];西北工業(yè)大學(xué);2004年

8 李建生;圖像元數(shù)據(jù)特征提取及其在檢索中的應(yīng)用[D];南京師范大學(xué);2006年

9 劉靖;基于視覺特征提取和核判決分析方法的人臉識(shí)別[D];四川大學(xué);2006年

10 鄭宇杰;特征提取方法及其應(yīng)用研究[D];南京理工大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 祖穎;基于特征提取的聚類方法研究及其實(shí)現(xiàn)[D];江南大學(xué);2018年

2 孫漢林;基于同時(shí)進(jìn)行目標(biāo)檢測與特征提取的深度學(xué)習(xí)網(wǎng)絡(luò)的在線多目標(biāo)行人跟蹤[D];浙江大學(xué);2018年

3 張翔;基于分布式計(jì)算的脈沖星搜索加速及脈沖星候選體特征提取和識(shí)別方法研究與實(shí)現(xiàn)[D];貴州師范大學(xué);2018年

4 張?jiān)茝?現(xiàn)代審美下的唐韻特征提取與可視化研究[D];陜西科技大學(xué);2018年

5 張猛;面向圖像分類的CNN特征提取和結(jié)構(gòu)優(yōu)化[D];新疆大學(xué);2018年

6 冉祥鋒;變工況下風(fēng)電機(jī)組齒輪箱故障特征提取及診斷方法研究[D];新疆大學(xué);2018年

7 呂世鵬;基于集合經(jīng)驗(yàn)?zāi)B(tài)分解的轉(zhuǎn)子故障特征提取和分類識(shí)別[D];新疆大學(xué);2018年

8 徐志寬;基于LMD方法的變形數(shù)據(jù)特征提取與多尺度變形預(yù)測研究[D];東華理工大學(xué);2018年

9 張曉鋒;卷積深度置信網(wǎng)絡(luò)在文本識(shí)別中的應(yīng)用研究[D];西安理工大學(xué);2018年

10 方宗;基于深度學(xué)習(xí)和演化策略的3D藝術(shù)創(chuàng)作研究[D];湖北工業(yè)大學(xué);2018年

，

本文編號(hào)：2702292