發(fā)布時(shí)間：2021-03-23 18:24

　　高光譜遙感具有更高的光譜分辨率,使得人們對(duì)地物屬性特征的認(rèn)知不斷深入,而分類技術(shù)作為高光譜遙感的一項(xiàng)重要內(nèi)容,在很大程度上決定著后續(xù)專題圖的制作與應(yīng)用,然而高光譜圖像豐富的空譜信息與標(biāo)記樣本缺乏的矛盾?chē)?yán)重地制約了高光譜圖像分類技術(shù)的發(fā)展。因此,本論文從高光譜圖像特性出發(fā),針對(duì)空譜信息的有效提取以及樣本在多場(chǎng)景中的適應(yīng)性等問(wèn)題進(jìn)行了分析研究。為了實(shí)現(xiàn)空譜信息的有效提取,論文首先研究了多尺度空譜特征的提取方法,通過(guò)改進(jìn)聯(lián)合雙邊邊緣保持濾波器提出了自適應(yīng)雙邊濾波器。該方法實(shí)現(xiàn)了多尺度空間特征的提取,同時(shí)避免了聯(lián)合雙邊邊緣保持濾波器復(fù)雜的調(diào)參問(wèn)題且改善了分類效果。此外,針對(duì)像素級(jí)分類結(jié)果圖上容易產(chǎn)生的“椒鹽噪聲”問(wèn)題,引入了基于概率結(jié)果圖的后處理方法,通過(guò)加強(qiáng)像素點(diǎn)之間的相關(guān)性,提高了分類結(jié)果圖空間區(qū)域上的連續(xù)性,實(shí)現(xiàn)了分類精度的進(jìn)一步提升。針對(duì)復(fù)雜場(chǎng)景中的空譜特征提取和樣本不足的問(wèn)題,論文以深度學(xué)習(xí)理論為基礎(chǔ),提出了多尺度空譜聯(lián)合雙分支網(wǎng)絡(luò)（Multiscale Spectral-Spatial Unified Network,MSSN）,借助于深度網(wǎng)絡(luò)更強(qiáng)的特征提取能力,有效地增強(qiáng)了在復(fù)雜... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

概率結(jié)果圖

2.2.2 自適應(yīng)高斯加權(quán)濾波器在基于概率結(jié)果圖的后處理方法中，平滑濾波器的選擇是相當(dāng)關(guān)鍵的。為了避免過(guò)多的參數(shù)選擇工作，減少后處理步驟的冗余，提高后處理步驟的效率，在本章中采用自適應(yīng)高斯加權(quán)濾波器(Adaptive Gaussian Weight Filter,AGWF)作為本算法的平滑濾波器，該濾波器的定義如式(2-8)所示：( )( )1( ) ( , )( )( ) ( , )j rj ri jx N ix N iO x i j IW iW i i jωω∈∈==∑∑(2-8)其中，22( , ) exp( / 2 )i jω i j = I Iσ是 Ij關(guān)于輸出的權(quán)重，x 和 I 分別為輸出和輸入的引導(dǎo)圖像，引導(dǎo)圖像的作用主要是用于提供空間信息，W(i)是歸一化因子，21 / ( ), { , ( )}j i j j rσ =st d d d =d =I I I ∈ N i。2.2.3 算法整體流程本章算法的整體流程框圖如圖 2-2 所示：

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文表明了SA算法所選擇出來(lái)的20維特征具有比較好的代表性，也證明了SA算法是一種有效的特征選擇算法。表2-7分別展示了兩組數(shù)據(jù)集在分類過(guò)程中所耗費(fèi)的時(shí)間，從時(shí)間對(duì)比中可以看出，利用SA特征提取算法能夠減少樣本特征數(shù)，使得分類的時(shí)間大幅減少，同時(shí)，分類精度又沒(méi)有顯著性的降低，因此，該方法有效地緩解了“維數(shù)災(zāi)難”現(xiàn)象帶來(lái)的影響，且提高了分類效率。2.3.3 基于自適應(yīng)濾波器的多尺度空間特征提取本文提出的自適應(yīng)邊緣保持濾波器是在聯(lián)合雙邊邊緣保持濾波器的基礎(chǔ)上引入自適應(yīng)策略獲得的。聯(lián)合雙邊邊緣保持濾波器在不同參數(shù)(兩個(gè)高斯濾波器的參數(shù) s 和 r)選擇下對(duì) Indian Pines 數(shù)據(jù)集濾波效果如圖 2-5 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于棧式自編碼神經(jīng)網(wǎng)絡(luò)對(duì)高光譜遙感圖像分類研究[J]. 張國(guó)東,周浩,方淇,張露,楊峻.  紅外技術(shù). 2019(05)
[2]利用多屬性剖面概率融合的高光譜影像分類[J]. 陳軍麗,黃睿.  遙感信息. 2019(02)
[3]航天高光譜遙感應(yīng)用研究進(jìn)展(特邀)[J]. 李盛陽(yáng),劉志文,劉康,趙子飛.  紅外與激光工程. 2019(03)
[4]面向高光譜影像分類的多特征流形鑒別嵌入[J]. 黃鴻,李政英,石光耀,潘銀松.  光學(xué)精密工程. 2019(03)
[5]高光譜與LiDAR數(shù)據(jù)融合研究——以黑河中游張掖綠洲農(nóng)業(yè)區(qū)精細(xì)作物分類為例[J]. 楊思睿,薛朝輝,張玲,蘇紅軍,周紹光.  國(guó)土資源遙感. 2018(04)
[6]深度遷移學(xué)習(xí)在高光譜圖像分類中的運(yùn)用[J]. 王立偉,李吉明,周?chē)?guó)民,楊東勇.  計(jì)算機(jī)工程與應(yīng)用. 2019(05)
[7]基于DBN的機(jī)載高光譜影像分類[J]. 劉亞靜,趙自雨,劉佳麗.  測(cè)繪與空間地理信息. 2018(07)
[8]高光譜影像的引導(dǎo)濾波多尺度特征提取[J]. 王雷光,曹小汪,鄭雅蘭,代沁伶.  遙感學(xué)報(bào). 2018(02)
[9]變異系數(shù)降維的CNN高光譜遙感圖像分類[J]. 張康,黑保琴,周壯,李盛陽(yáng).  遙感學(xué)報(bào). 2018(01)
[10]深度學(xué)習(xí)在高光譜圖像分類領(lǐng)域的研究現(xiàn)狀與展望[J]. 張?zhí)栧?李映,姜曄楠.  自動(dòng)化學(xué)報(bào). 2018(06)



本文編號(hào)：3096222