發(fā)布時(shí)間：2020-06-13 15:50

【摘要】：高光譜遙感影像通常具有納米級(jí)的光譜分辨率,其包含的豐富的光譜信息為我們進(jìn)行精細(xì)地物分析提供了可能。隨著高光譜傳感器技術(shù)的發(fā)展,光譜波段數(shù)目不斷增加,但過(guò)高的特征維數(shù)也會(huì)帶來(lái)巨大的存儲(chǔ)和計(jì)算代價(jià),特別是在訓(xùn)練樣本較少的情況下,會(huì)出現(xiàn)維數(shù)災(zāi)難問題,降低分類算法的性能。因此,如何在減少特征維數(shù)的同時(shí),從原始光譜中獲取更有效的特征表達(dá),實(shí)現(xiàn)維數(shù)約減,是高光譜遙感影像處理領(lǐng)域中十分重要的問題。已有研究證明,空間信息對(duì)于高光譜遙感影像維數(shù)約減具有重要意義。傳統(tǒng)基于向量表達(dá)的維數(shù)約減方法會(huì)破壞高光譜遙感影像的空間結(jié)構(gòu)信息,導(dǎo)致維數(shù)約減算法性能的下降。為了充分利用高光譜遙感影像的空間信息,本論文以張量分析為基本工具,在充分挖掘高光譜遙感影像空間結(jié)構(gòu)的基礎(chǔ)上,針對(duì)高光譜遙感影像不同波段間相似度較高,存在較大冗余的特點(diǎn),挖掘高光譜遙感影像低秩、稀疏等結(jié)構(gòu)信息,提出基于張量表達(dá)的高光譜遙感影像維數(shù)約減與分類算法。論文主要工作概括如下:(1)提出了高光譜遙感影像的組張量低秩分解模型。高光譜遙感影像的地物分布在空間上具有局部相似性和非局部相似性,基于張量表達(dá)的方法能夠很好的挖掘高光譜遙感影像的局部空間相似性信息,但是傳統(tǒng)的張量方法不能很好的挖掘同類地物間的空間非局部相似性。同時(shí),現(xiàn)有的低秩張量方法大多會(huì)涉及到復(fù)雜的秩的求解,增加了算法的復(fù)雜性。針對(duì)以上問題,提出了高光譜遙感影像的組張量低秩分解模型。首先對(duì)張量樣本進(jìn)行聚類操作,則聚類組內(nèi)張量樣本具有局部和非局部的相似性。然后利用低秩張量近似分析的方法對(duì)每個(gè)聚類組進(jìn)行分解,通過(guò)合理設(shè)置張量樣本的空間維尺度,實(shí)現(xiàn)低秩分解過(guò)程中張量樣本各模上秩的直接設(shè)定,避免了對(duì)于具體低秩取值的估計(jì)。最后,利用Tucker分解的方法實(shí)現(xiàn)高光譜遙感影像的維數(shù)約減。(2)提出了高光譜遙感影像的張量緊致特征判別分析方法。高光譜遙感影像具有光譜分辨率高、波段數(shù)目多的特點(diǎn)。通過(guò)分析發(fā)現(xiàn),原始波段間具有較強(qiáng)的相關(guān)性,冗余信息較多,特征信息在不同波段間的分布相對(duì)分散,降低了數(shù)據(jù)的表示性能。針對(duì)這一問題,利用張量分解的方法提取到緊致的特征表示,從而使光譜特征分布更為集中,增強(qiáng)了特征的表示能力。同時(shí),為了提高約減后數(shù)據(jù)的判別性,引入張量判別分析,利用張量類內(nèi)、類間離散度差值準(zhǔn)則獲得了高光譜遙感影像各模上的最優(yōu)因子矩陣,最后在Tucker分解框架下利用得到的因子矩陣對(duì)高光譜遙感影像進(jìn)行維數(shù)約減。(3)構(gòu)建了高光譜遙感影像的張量低秩稀疏圖。作為兩種重要的數(shù)據(jù)表示方法,低秩表示能夠挖掘數(shù)據(jù)全局結(jié)構(gòu)信息,稀疏表示能夠挖掘數(shù)據(jù)的局部結(jié)構(gòu)信息,并且這兩種方法也被擴(kuò)展到了張量空間。但是在現(xiàn)有的方法中,這兩種表示方法大多是分開考慮的。同時(shí),現(xiàn)有的方法對(duì)得到的低秩和稀疏表示中所包含的結(jié)構(gòu)信息缺乏進(jìn)一步深層次的挖掘,從而限制了低秩和稀疏表示的性能。針對(duì)以上問題,將高光譜遙感影像的低秩表示和稀疏表示統(tǒng)一在一個(gè)框架之中,利用迭代求解的方法得到了能夠同時(shí)表示數(shù)據(jù)低秩和稀疏特性的因子矩陣。然后,利用得到的因子矩陣構(gòu)建具有較強(qiáng)表示能力的張量圖。同時(shí),利用聚類算法挖掘高光譜遙感影像的非局部相似性,提高所施加的低秩和稀疏約束的有效性,并減少了算法的計(jì)算量。最后,在基于圖的維數(shù)約減框架下實(shí)現(xiàn)高光譜遙感影像的維數(shù)約減。(4)構(gòu)建了高光譜遙感影像的多流形正則低秩圖。基于低秩圖的方法能夠很好的挖掘高光譜遙感影像的整體結(jié)構(gòu)信息,但該類方法無(wú)法很好的提升數(shù)據(jù)的判別性。針對(duì)這一問題,將子流形和多流形的概念推廣到張量空間,提出基于張量多流形的判別分析,提高處理后數(shù)據(jù)的判別性。同時(shí)將低秩約束統(tǒng)一在了張量多流形判別分析的框架之中,利用迭代求解的方法得到高光譜遙感影像各模上的因子矩陣。最后利用因子矩陣構(gòu)建具有較強(qiáng)表示能力和判別能力的張量圖并在基于圖的維數(shù)約減框架下實(shí)現(xiàn)了高光譜遙感影像的維數(shù)約減。該方法充分考慮到高光譜遙感影像的空間信息、多流形判別信息和低秩信息,維數(shù)約減后的數(shù)據(jù)能夠保持原始數(shù)據(jù)的結(jié)構(gòu)信息并有較強(qiáng)的判別性。(5)提出了高光譜遙感影像的張量多尺度低秩分解模型。低秩是高光譜遙感影像非常重要的特性,但是基于張量表達(dá)的低秩分析在高光譜遙感影像領(lǐng)域的應(yīng)用面臨兩個(gè)重要的挑戰(zhàn):一是目前張量樣本的獲得方法大多都是通過(guò)對(duì)原始三維高光譜遙感影像在空間維利用固定窗分割的方式得到,窗口大小對(duì)于算法性能具有較大的影響,但確定最優(yōu)的窗口大小非常困難。二是在進(jìn)行低秩分析時(shí),對(duì)于高光譜遙感影像各模上最佳秩的確定是非常困難的,同時(shí)在不同尺度的秩下可以獲得高光譜遙感影像不同尺度的結(jié)構(gòu)特點(diǎn),而單一尺度秩下的表示很難全面的表征高光譜遙感影像的結(jié)構(gòu)特點(diǎn)。為了解決以上問題,提出了基于張量多尺度低秩模型的維數(shù)約減方法。該方法以原始高光譜遙感影像為處理對(duì)象,避免了張量樣本分割時(shí)空間窗尺寸的確定問題。同時(shí)提出了一個(gè)多尺度秩的估計(jì)方法,對(duì)原始的高光譜遙感影像進(jìn)行多尺度低秩分解,實(shí)現(xiàn)更為全面的表征。最后,利用低秩張量近似分解策略實(shí)現(xiàn)維數(shù)約減。
【學(xué)位授予單位】：西安電子科技大學(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 李斐斐;;高光譜遙感影像技術(shù)發(fā)展現(xiàn)狀與應(yīng)用[J];現(xiàn)代營(yíng)銷(下旬刊);2018年03期

2 趙艷福;張靈凱;;高光譜遙感的應(yīng)用[J];城市地理;2017年04期

3 鄭澤忠;范東明;李玉霞;曹云剛;夏清;;AVIRIS高光譜遙感影像無(wú)縫鑲嵌探討[J];地理與地理信息科學(xué);2008年05期

4 程一松,胡春勝;高光譜遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用[J];農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究;2001年03期

5 田慶久;評(píng)《高光譜遙感及其應(yīng)用》一書[J];遙感信息;2000年02期

6 黃亮平;;高光譜遙感在農(nóng)作物生長(zhǎng)監(jiān)測(cè)的應(yīng)用研究進(jìn)展[J];農(nóng)村經(jīng)濟(jì)與科技;2019年05期

7 王利龍;呂航;;高光譜遙感技術(shù)在農(nóng)作物監(jiān)測(cè)中的應(yīng)用[J];科技創(chuàng)新與應(yīng)用;2018年01期

8 潘偉;夏麗麗;;高光譜遙感分類方法研究[J];福建電腦;2007年01期

9 孫釗;高光譜遙感的應(yīng)用[J];貴州教育學(xué)院學(xué)報(bào)(自然科學(xué));2004年04期

10 譚炳香;高光譜遙感森林應(yīng)用研究探討[J];世界林業(yè)研究;2003年02期

相關(guān)會(huì)議論文 前10條

1 張霞;劉良云;趙春江;張兵;;利用高光譜遙感圖像估算小麥氮含量研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2002年

2 徐元進(jìn);胡光道;;取締閥值的高光譜遙感光譜匹配分類信息制圖[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

3 徐元進(jìn);胡光道;;窮舉法在高光譜遙感圖像地物識(shí)別中的應(yīng)用[A];第四屆中國(guó)軟件工程大會(huì)論文集[C];2007年

4 李京;蔣衛(wèi)國(guó);;高光譜遙感在濕地監(jiān)測(cè)與分類中的應(yīng)用[A];第十屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年

5 孫蕾;谷德峰;;基于分類的高光譜遙感圖像混合噪聲參數(shù)估計(jì)[A];第五屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2018年

6 黃家柱;龔紹奇;韋玉春;李云梅;;內(nèi)陸水體總氮、總磷濃度高光譜遙感實(shí)驗(yàn)研究[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

7 黃娟;郭明克;張永梅;閆濤;王寧;;利用高光譜遙感資料提取赤潮信息方法研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2002年

8 黃文鈺;尚海興;;基于小波變換的高光譜遙感影像光譜匹配技術(shù)研究[A];陜西省水力發(fā)電工程學(xué)會(huì)第三屆青年優(yōu)秀科技論文集[C];2013年

9 王藝婷;黃世奇;劉代志;;高光譜遙感圖像波段選擇現(xiàn)狀研究[A];國(guó)家安全地球物理叢書（七）——地球物理與核探測(cè)[C];2011年

10 田慶久;;高光譜遙感陸海油氣探測(cè)研究新進(jìn)展[A];第十七屆中國(guó)遙感大會(huì)摘要集[C];2010年

相關(guān)重要報(bào)紙文章 前6條

1 閆柏琨;高光譜遙感：地球資源環(huán)境管護(hù)開發(fā)的新利器[N];中國(guó)礦業(yè)報(bào);2016年

2 姚娣;高光譜遙感就是“火眼金睛”[N];北京日?qǐng)?bào);2017年

3 記者 于德福 通訊員 單廣寧 魏雪松;我國(guó)開展航空高光譜遙感油氣調(diào)查示范[N];中國(guó)國(guó)土資源報(bào);2016年

4 中國(guó)科學(xué)院院士、國(guó)際歐亞科學(xué)院院士 童慶禧;我國(guó)高光譜遙感的發(fā)展[N];中國(guó)測(cè)繪報(bào);2008年

5 記者 金小平;中國(guó)地調(diào)局舉辦高光譜遙感找礦培訓(xùn)班[N];中國(guó)礦業(yè)報(bào);2007年

6 文龍 胡軍;張立福：用光譜觀測(cè)大地的人[N];科技日?qǐng)?bào);2012年

相關(guān)博士學(xué)位論文 前10條

1 安金梁;基于張量表征的高光譜遙感影像維數(shù)約減與分類[D];西安電子科技大學(xué);2018年

2 謝衛(wèi)瑩;高光譜遙感影像高精度分類方法研究[D];西安電子科技大學(xué);2017年

3 胡立栓;高光譜遙感影像光譜降維與空譜聯(lián)合分類方法研究[D];中國(guó)地質(zhì)大學(xué)(北京);2018年

4 林紅磊;火星含水礦物精細(xì)類別的高光譜遙感探測(cè)方法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所);2018年

5 陳志坤;基于改進(jìn)濾波算法的高光譜遙感影像特征提取研究[D];中國(guó)地質(zhì)大學(xué);2018年

6 甘玉泉;高光譜遙感圖像光譜解混方法研究及其應(yīng)用[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所);2018年

7 王毓乾;基于空間—光譜分析的高光譜遙感影像稀疏解混研究[D];武漢大學(xué);2015年

8 畢曉佳;高光譜遙感協(xié)同處理黑刺溝巖礦蝕變信息方法研究[D];成都理工大學(xué);2016年

9 譚炳香;高光譜遙感森林類型識(shí)別及其郁閉度定量估測(cè)研究[D];中國(guó)林業(yè)科學(xué)研究院;2006年

10 馮燕;高光譜圖像壓縮技術(shù)研究[D];西北工業(yè)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 李堯;基于深度學(xué)習(xí)的滑坡檢測(cè)算法研究[D];成都理工大學(xué);2018年

2 劉群;基于深度學(xué)習(xí)的高光譜遙感圖像特征學(xué)習(xí)與分類算法研究[D];華僑大學(xué);2018年

3 王晗;基于壓縮感知的高光譜遙感影像重構(gòu)方法研究[D];東北林業(yè)大學(xué);2018年

4 張迦南;基于不同預(yù)處理方法的冬小麥冠層高光譜遙感長(zhǎng)勢(shì)監(jiān)測(cè)研究[D];河南農(nóng)業(yè)大學(xué);2018年

5 金晨;基于深度信念網(wǎng)絡(luò)的高光譜遙感圖像分類算法研究[D];東北大學(xué);2017年

6 馬秀強(qiáng);高光譜遙感在大冶銅鐵礦區(qū)水環(huán)境監(jiān)測(cè)中的應(yīng)用[D];中國(guó)地質(zhì)大學(xué)(北京);2018年

7 張悅;高光譜遙感圖像降維技術(shù)研究[D];東華理工大學(xué);2018年

8 邱壑;耕地土壤有機(jī)質(zhì)與速效氮磷鉀含量高光譜遙感反演研究[D];福建農(nóng)林大學(xué);2017年

9 馬航;基于無(wú)人機(jī)高光譜遙感東北粳稻葉綠素含量監(jiān)測(cè)及建模研究[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2017年

10 羅丹;基于高光譜遙感的冬小麥氮素營(yíng)養(yǎng)指標(biāo)監(jiān)測(cè)研究[D];西北農(nóng)林科技大學(xué);2017年

，

本文編號(hào)：2711399