本文關鍵詞：基于稀疏表示及字典學習遙感圖像處理關鍵技術研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息技術和對地觀測技術的迅速發(fā)展,遙感技術在社會生活和經(jīng)濟建設中發(fā)揮著越來越重要的作用。目前,遙感技術已經(jīng)廣泛應用于環(huán)境保護、地質找礦、國土資源調查、城市規(guī)劃監(jiān)測、林業(yè)和農業(yè)普查、軍事解譯等領域。隨著人工智能和高分辨率遙感技術的發(fā)展,特別是遙感圖像的空間分辨率,波譜分辨率的逐步提高,直接導致圖像數(shù)據(jù)量數(shù)量級增長,對數(shù)據(jù)傳輸與處理提出更高的要求,遙感圖像處理技術在理論上、技術上和應用上發(fā)生了重大變化,傳統(tǒng)的遙感圖像的處理方法已經(jīng)很難滿足當前遙感應用的需求。伴隨著遙感技術的飛速發(fā)展,機器視覺領域的理論和方法研究也在飛速進步,近幾年,稀疏表示和壓縮感知理論已經(jīng)成功應用于圖像處理,網(wǎng)絡工程,醫(yī)學及遙感軍事等領域并取得了巨大的成功。本文針對遙感圖像的特征及其應用背景,將傳統(tǒng)的遙感圖像處理技術與計算機視覺處理的理論相結合,研究了基于稀疏表示及字典學習的遙感圖像處理技術理論及典型應用。稀疏表示和字典學習的基本原理是利用超完備字典中的冗余基取代正交基,對字典的選擇盡可能的包含分解遙感圖像信號的信息。將該方法應用于遙感圖像的處理,能夠降低構建傳感器所需的昂貴的代價,降低傳感器與地面接收器之間的傳輸代價,且能夠將傳感器的計算開銷轉移到地面計算機。本文提出的方法能充分挖掘遙感圖像的應用潛力,為各類應用提供借鑒。論文的主要成果及創(chuàng)新點如下:1通過探究稀疏表示及字典學習的相關理論及應用成果,分析了基于稀疏表示及字典學習的遙感圖像處理原理,通過零空間屬性、有限等距性及邊界約束等分析了如何構造感知矩陣;通過實例說明稀疏恢復的保證。2綜述了稀疏表示信號1?最小恢復原理,稀疏恢復算法,重點研究了字典學習算法的原理與方法,根據(jù)多光譜和高光譜遙感圖像的結構特點,構建了多光譜遙感圖像和高光譜遙感圖像的字典學習模型和算法。3結合計算機視覺領域的研究成果,提出三種遙感圖像的去噪算法�；趶V義高模型的局部自適應遙感圖像去噪算法、基于稀疏表示和自適應字典學習的遙感圖像去噪算法及基于聚類的組稀疏字典學習多光譜遙感圖像去噪算法。通過與同類算法相比,均能取得較好的去噪效果。4在前人工作的基礎上,提出了兩種基于稀疏表示遙感圖像超分辨率重建算法。通過對遙感圖像進行分塊,利用K-SVD算法對高分辨率遙感圖像庫或者遙感圖像自身進行字典學習,獲得能夠稀疏表示高分辨率遙感圖像的字典,通過特征提取、獨立成分分析降維、高分辨率遙感圖像的重建等操作后實現(xiàn)了對遙感圖像超分辨率的重建,該方法提高了圖像的峰值性噪比,通過實驗驗證了算法高效性。5提出了基于結構性稀疏表示和字典學習的高光譜遙感圖像分類方法。通過深入挖掘高光譜遙感圖像的空間關系及光譜關系,提出了一種新的結構性高光譜遙感圖像的稀疏表示及字典學習方法,基于聚類的字典學習方法,使用線性SVM作為分類器,完成了對高光譜遙感圖像的分類,通過實驗驗證了算法的有效性。通過對遙感圖像進行聚類,提出了一種新的結構性高光譜遙感圖像的稀疏表示及字典學習方法,該方法通過同時利用高光譜遙感圖像像素間的空間關系及光譜信息進行聚類,被聚類為同一組的像素具有相同的字典,通過學習得到能表示高一組像素的字典,然后根據(jù)學習字典計算圖像的稀疏系數(shù),從而獲得遙感圖像的稀疏表示特征�；谙∈璞硎炯白值鋵W習的理論在遙感圖像處理領域具有非常好的前景和發(fā)展。本文對稀疏表示及字典學習的理論及在遙感圖像處理領域的應用做了一定的探索。由于稀疏表示及字典學習的理論近年來才興起,在遙感圖像處理領域的研究也剛剛開始,基于稀疏表示及字典學習的遙感圖像處理研究仍有巨大的潛力。
【關鍵詞】：稀疏表示 字典學習 遙感圖像 去噪 超分辨率重建 分類
【學位授予單位】：成都理工大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：P237;TP751
【目錄】：

• 摘要4-6
• Abstract6-12
• 第1章 緒論12-25
• 1.1 稀疏表示及字典學習的研究背景及意義12-13
• 1.2 國內外研究現(xiàn)狀13-22
• 1.2.1 稀疏表示及字典學習14-17
• 1.2.2 稀疏表示及字典學習的應用17-19
• 1.2.3 遙感圖像處理19-22
• 1.3 本文的主要研究工作22-25
• 1.3.1 研究的內容22
• 1.3.2 研究的思路22-23
• 1.3.3 論文結構23-25
• 第2章 稀疏表示及字典學習的原理及解的保證25-39
• 2.1 稀疏表示及字典學習問題模型25-31
• 2.1.1 吉洪諾夫（Tikhonov）正則化25-26
• 2.1.2 線性回歸26-27
• 2.1.3 稀疏表示模型27-31
• 2.2 零空間31-33
• 2.2.1 spark32
• 2.2.2 零空間屬性32-33
• 2.3 有限等距性33-35
• 2.3.1 有限等距性的穩(wěn)定性34-35
• 2.3.2 測量的約束35
• 2.4 構造滿足RIP的矩陣35-37
• 2.5 相關性分析37-38
• 2.6 本章小結38-39
• 第3章 稀疏表示信號恢復及字典學習算法39-64
• 3.1 稀疏表示和字典學習的關系39-40
• 3.2 稀疏信號的1l最小恢復40-41
• 3.3 稀疏恢復算法41-50
• 3.3.1 凸優(yōu)化算法42-44
• 3.3.2 貪婪算法44-48
• 3.3.3 貝葉斯方法48-50
• 3.4 字典學習算法50-57
• 3.4.1 字典學習的基本原理50-51
• 3.4.2 MOD和ILS-DLA51-52
• 3.4.3 K-SVD算法52-53
• 3.4.4 在線字典學習算法53-56
• 3.4.5 遞歸最小二乘法字典學習算法56-57
• 3.5 遙感圖像的字典學習算法57-63
• 3.5.1 多光譜遙感圖像的字典學習算法58-62
• 3.5.2 高光譜遙感圖像的字典學習算法62-63
• 3.6 本章小結63-64
• 第4章 基于稀疏表示及字典學習的遙感圖像去噪64-83
• 4.1 基于廣義高斯模型的局部自適應遙感圖像去噪64-71
• 4.1.1 小波變換原理64-66
• 4.1.2 基于廣義高斯模型的最大后驗概率估計66-69
• 4.1.3 算法設計69
• 4.1.4 本文對算法的改進69-70
• 4.1.5 仿真實驗70-71
• 4.1.6 基于廣義高斯模型的局部自適應遙感圖像去噪總結71
• 4.2 基于稀疏表示和自適應字典學習的遙感圖像去噪71-77
• 4.2.1 基于壓縮感知和字典學習算法的遙感圖像去噪71-73
• 4.2.2 字典學習算法73-74
• 4.2.3 算法分析74-75
• 4.2.4 模擬實驗75-77
• 4.2.5 小結77
• 4.3 基于聚類的組稀疏字典學習多光譜遙感圖像去噪算法77-82
• 4.3.1 算法的基本模型78-79
• 4.3.2 模型的擴展79
• 4.3.3 模型的求解算法79-80
• 4.3.4 實驗結論80-82
• 4.3.5 小結82
• 4.4 本章小結82-83
• 第5章 基于稀疏表示及字典學習遙感圖像超分辨率重建算法研究83-95
• 5.1 基于壓縮感知的超分辨遙感圖像概述83-84
• 5.2 基于壓縮感知的超分辨遙感圖像重建模型84-88
• 5.2.1 基于壓縮感知的超分圖像重建原理84-85
• 5.2.2 基于案例塊的字典學習85
• 5.2.3 實驗驗證85-88
• 5.2.4 小結88
• 5.3 基于遙感圖像自學習的遙感圖像超分重建88-94
• 5.3.1 自學習遙感圖像超分重建原理89-90
• 5.3.2 自學習遙感圖像超分重建方法90-92
• 5.3.3 實驗驗證92-94
• 5.3.4 結論和討論94
• 5.4 本章小結94-95
• 第6章 基于結構性稀疏表示及字典學習的高光譜遙感圖像分類95-105
• 6.1 結構性稀疏表示和字典學習的高光譜遙感圖像分類95-100
• 6.1.1 基于高光譜的字典學習模型95-96
• 6.1.2 算法96-97
• 6.1.3 仿真及分析97-100
• 6.2 基于聚類的稀疏表示和字典學習的高光譜遙感圖像分類100-104
• 6.2.1 基于聚類的稀疏表示和字典學習的高光譜遙感圖像分類的基本原理100-101
• 6.2.2 仿真及分析101-104
• 6.3 本章小結104-105
• 總結與討論105-108
• （一）主要研究成果及創(chuàng)新點如下：105-107
• （二）存在的問題與展望107-108
• 致謝108-109
• 參考文獻109-119
• 攻讀學位期間取得學術成果119

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進展[J];光學技術;2004年03期

2 鄒建成;李建偉;;基于冗余字典的一種新的數(shù)字圖像水印算法[J];北方工業(yè)大學學報;2012年03期

3 趙春霞,錢樂祥;遙感影像監(jiān)督分類與非監(jiān)督分類的比較[J];河南大學學報(自然科學版);2004年03期

4 李展;張慶豐;孟小華;梁鵬;劉玉葆;;多分辨率圖像序列的超分辨率重建[J];自動化學報;2012年11期

5 祝麗萍;陳琳;岳華;;金融數(shù)學模型及其非參數(shù)估計問題[J];山西財經(jīng)大學學報(高等教育版);2008年S1期

6 劉丹華;石光明;周佳社;;一種冗余字典下的信號稀疏分解新方法[J];西安電子科技大學學報;2008年02期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 周建;基于字典學習的機織物瑕疵自動檢測研究[D];東華大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 李奎;判別字典學習及人臉識別[D];西安電子科技大學;2014年

  本文關鍵詞：基于稀疏表示及字典學習遙感圖像處理關鍵技術研究，，由筆耕文化傳播整理發(fā)布。

本文編號：373719