彩繪文物種類豐富、色彩絢麗,是我國文化遺產的重要組成部分,具有豐富的歷史價值和科學研究價值。近年來,高光譜成像技術以無損、“圖譜合一”的特點,能夠對文物進行全面地記錄與分析。在彩繪文物的研究中,利用高光譜圖像挖掘隱含信息是一個研究熱點,對文物保護分析具有重要意義。特征提取作為高光譜數據常用的降維方法,可以從彩繪文物高光譜數據中挖掘隱含信息。而現有面向隱含信息特征提取的方法以線性變換為主,彩繪文物高光譜圖像具有非線性特點,為了更好地提取隱含信息,嘗試利用非線性變換進行特征提取。本文深入研究了基于神經網絡的特征提取方法,并結合圖像融合,獲得了較令人滿意的結果。本文的主要貢獻有:（1）.針對彩繪文物數據圖案信息復雜、樣式豐富且無法獲得隱含信息標簽的特點,設計了多尺度殘差卷積-解卷積特征提取網絡。為自適應不同數據特點,本文在卷積-解卷積無監(jiān)督網絡框架的基礎上,引入了多尺度模塊,并設計了完整的網絡,在特征提取的同時使特征集中且能可視化。最后將挖掘到的隱含信息與真彩色圖像融合,通過對比綜合展示隱含信息與波段光譜信息。實驗結果表明,該方法能在一定程度上更清晰、準確地挖掘彩繪文物隱含信息。（2）.針對... 

【文章來源】：西北大學陜西省 211工程院校

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

彩繪文物高光譜圖像

Mou L.等人提出了一種無監(jiān)督網絡在特征圖中激活了遙感圖像中的不同區(qū)域本章根據彩繪文物數據的特點，設計了一種多尺度殘差卷積-解卷積(Multiscale ResiduaConv-Deconv, MRCD)網絡用來挖掘彩繪文物的隱含圖案信息，并將挖掘到的信息融合在真彩色圖像上，便于研究人員分析與研究彩繪文物隱含信息。3.2 基于深度殘差卷積-解卷積網絡的特征提取在利用有監(jiān)督的網絡進行分類任務時，訓練樣本的收集是費時、費力的。因此，無監(jiān)督的特征提取方法是十分有意義的。Mou L.等人提出了一種深度殘差卷積-解卷積(Deep Residual Conv-Deconv, DRCD)無監(jiān)督網絡用來提取高光譜數據的光譜-空間特征端到端的 Conv-Deconv 網絡在遙感領域內首次被提出[56]。在該無監(jiān)督網絡中，高級特征的表示可以有效地保留高光譜數據的鄰域關系和空間局部性，而傳統(tǒng)的一維全連接無監(jiān)督網絡(如自編碼器、深度置信網和玻爾茲曼機)很難充分利用這些信息。DRCD 網絡結構如圖 10 所示：卷積子網絡(編碼) 解卷積子網絡(解碼)

西北大學碩士學位論文殘差模塊組成，殘差模塊中卷積層的設計思想來源于 VGG 網絡積核串聯(lián)的方式，增加了網絡的非線性，便于提取更豐富的特征子網絡呈對稱結構，當解卷積子網絡的輸出與原始數據誤差最小卷積子網絡的輸出代表了原始數據的抽象特征。為了減小池化操網絡使用了 GoroshinR.等人[57]計算 max 和 argmax 的方法，在池受野內最大值的同時計算最大值的索引。反池化的操作流程如


本文編號：3409776