【摘要】：隨著遙感技術(shù)的快速發(fā)展,用于處理和分析多源遙感數(shù)據(jù)的技術(shù)和手段也在逐漸增加。高光譜圖像(Hyperspectral imagery,HSI)、激光檢測(cè)與測(cè)量?jī)x器數(shù)據(jù)(Light detection and ranging,LIDAR)及無(wú)人機(jī)采集的高分辨率多光譜數(shù)據(jù)(Unmanned aerial systems derived multi-spectral imagery,UAS_MSI)構(gòu)成的多源數(shù)據(jù)體系為獲取森林相關(guān)信息提供了途徑。詳細(xì)講,高光譜圖像包含豐富的光譜信息,可用于森林的分類問(wèn)題。激光檢測(cè)與測(cè)量?jī)x器數(shù)據(jù)用于提供森林的結(jié)構(gòu)信息(如樹(shù)高等)。基于無(wú)人機(jī)采集的高分辨率多光譜數(shù)據(jù)為分析森林中植被的相對(duì)覆蓋面積提供了可能。但是,森林中地物的分布復(fù)雜,并且可用于分析森林的監(jiān)督信息較難獲得。為了檢測(cè)森林的范圍,繪制森林中植物的相對(duì)覆蓋面積,本文提出了引入兩種先進(jìn)的機(jī)器學(xué)習(xí)算法(多任務(wù)學(xué)習(xí)算法(Multi-task learning,MTL)及深度學(xué)習(xí)算法(Deep learning,DL))對(duì)森林進(jìn)行定量分析。本文的研究?jī)?nèi)容如下:首先,稀疏表示算法(Sparse representation,SR)利用l_0,l_1范數(shù)對(duì)任務(wù)進(jìn)行處理,這種算法沒(méi)有考慮各個(gè)任務(wù)之間特定的域信息(domain information)。為了在監(jiān)督樣本較少的情況下,充分利用監(jiān)督信息包含的特定的域信息,提高算法的檢測(cè)效果,本文提出了一種基于空-譜支持流形式的多任務(wù)學(xué)習(xí)目標(biāo)檢測(cè)算法(ICRTD_MTL)。ICRTD_MTL算法包含兩個(gè)部分:(1)多特征學(xué)習(xí)(Multi-feature learning,MFL),即提取來(lái)自于高光譜圖像不同特征構(gòu)成的張量(如,光譜值特征(SVF)、光譜梯度特征(SGF)及光譜紋理特征(TF)等)。(2)多任務(wù)學(xué)習(xí)(MTL),即假設(shè)高光譜圖像各個(gè)特征對(duì)后續(xù)任務(wù)處理具有特定貢獻(xiàn)的條件下,利用同時(shí)優(yōu)化權(quán)重的目標(biāo)函數(shù)求解聯(lián)合表示向量。然后利用聯(lián)合表示向量中權(quán)重向量的位置檢測(cè)中期森林像元。最終利用像元的空間-光譜相關(guān)性,提升檢測(cè)器的檢測(cè)效果。ICRTD_MTL的優(yōu)點(diǎn)在于:(1)保證了未知像元不同特征的稀疏(Sparsity)的穩(wěn)定性;(2)在一個(gè)小領(lǐng)域的像元能夠共享共同的低秩(Low rank)子空間。通過(guò)AVIRIS及HyMap高光譜圖像的實(shí)驗(yàn)結(jié)果證明算法的性能,并利用ICRTD_MTL實(shí)現(xiàn)了對(duì)中期森林范圍的檢測(cè)。其次,基于流形式的多任務(wù)學(xué)習(xí)目標(biāo)檢測(cè)算法(CRTD_MTL)通過(guò)l_(2,1)正則項(xiàng)尋找不同任務(wù)之間的關(guān)聯(lián),并利用關(guān)聯(lián)信息的共享機(jī)制實(shí)現(xiàn)多任務(wù)學(xué)習(xí)。這種基于流共享方式的缺點(diǎn)在于:(1)l_(2,1)正則項(xiàng)的參數(shù)選擇過(guò)程較為復(fù)雜。(2)沒(méi)有利用過(guò)完備字典所提供的先驗(yàn)知識(shí)對(duì)求解聯(lián)合表示系數(shù)矩陣的稀疏及低秩過(guò)程進(jìn)行優(yōu)化。針對(duì)上述問(wèn)題,文中提出了一種基于概率圖的多任務(wù)學(xué)習(xí)目標(biāo)檢測(cè)算法(MTL_NFF),即在多任務(wù)學(xué)習(xí)(MTL)框架內(nèi),根據(jù)貝葉斯法則,利用最大后驗(yàn)概率(Maximum A-posterior,MAP)及奇異值分解(Singular value decomposition,SVD)構(gòu)成的概率圖優(yōu)化多任務(wù)學(xué)習(xí)中各個(gè)節(jié)點(diǎn)的聯(lián)合表示系數(shù)的求解過(guò)程。MTL_NFF通過(guò)概率圖建立了輸入數(shù)據(jù)與輸出任務(wù)之間的聯(lián)系,提高了檢測(cè)器的效果。然后,使用MTL_NFF處理高光譜圖像的第一短波紅外波段(SWIR1)檢測(cè)森林的生物量變化圖,并利用生物量變化圖與LIDAR提供的樹(shù)高信息定量分析森林的變化。最終,將MTL_NFF與深度神經(jīng)網(wǎng)絡(luò)算法結(jié)果進(jìn)行對(duì)比,證明MTL_NFF算法性能。最后,由無(wú)人機(jī)采集的多光譜圖像(Unmanned aerial systems derived multi-spectral imagery,UAS_MSI)具有極高的空間分辨率(通常為0.07m~2)�；趌_0,l_1范數(shù)的單層稀疏表示算法(SR)無(wú)法有效利用UAS_MSI衍生的特征對(duì)目標(biāo)進(jìn)行分類。為了在監(jiān)督樣本數(shù)量有限的情況下,充分利用UAS_MSI衍生特征所組成的張量提升分類精度,本文提出了一種基于空-譜稀疏張量的深度神經(jīng)網(wǎng)絡(luò)分類算法(SDFS_DNN)。SDFS_DNN包含多特征學(xué)習(xí)(MFL)、稀疏自動(dòng)編碼器(Autoencoders,AEs)和邏輯回歸分類器。MFL用于提供互補(bǔ)的、不相關(guān)的UAS_MSI衍生譜特征張量(DFS)。根據(jù)圖像中空間鄰域光譜的相似性,利用像元空間鄰域平滑DFS中的信息,得到空間-光譜張量堆棧(SDFS)。之后,利用稀疏約束的AEs多層稀疏SDFS為邏輯回歸分類器提供用于分類的特征。SDFS_DNN的優(yōu)點(diǎn)在于:(1)充分利用SDFS建立的基于光譜-空間的聯(lián)合結(jié)構(gòu)(矩陣-張量)所提供的互補(bǔ)的、多態(tài)的稀疏特征張量。(2)利用AEs逐層稀疏SDFS,去除SDFS中的信息冗余,提取SDFS中的光譜、幾何及紋理特征。通過(guò)SDFS_DNN繪制了研究區(qū)內(nèi)包含的死樹(shù)、藤本植物及活樹(shù)的相對(duì)覆蓋面積。最終,通過(guò)與SVM結(jié)果進(jìn)行對(duì)比,證明了SDFS_DNN的算法性能。
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP181;TP751
【圖文】：

時(shí)間維圖 1. 1 高光譜遙感圖像立方體Figure 1. 1 Hyperspectral remote sensing image cube譜分辨率較高。高光譜遙感數(shù)據(jù)包含巨大的數(shù)據(jù)量

圖 1. 2 高光譜成像示意圖Figure 1. 2 Hyperspectral imaging scheme數(shù)據(jù)同時(shí)獲取地物空間信息及光譜信息。高光譜數(shù)據(jù)同時(shí)獲

(c)圖 1. 3 高光譜圖像數(shù)據(jù)的不同表達(dá)方式，(a) 圖像空間，(b) 光譜空間，(c) 特征空間igure 1. 3 Different descriptions for HSI, (a) image space, (b) spectral space, (c) feature space

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測(cè)觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測(cè)中的應(yīng)用進(jìn)展[J];北京農(nóng)業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應(yīng)用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國(guó);馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J];食品研究與開(kāi)發(fā);2013年10期

5 葉珍;白t

本文編號(hào)：2805931