隨著傳感器技術(shù)的不斷發(fā)展,海量的多平臺與多模態(tài)數(shù)據(jù)得以被獲取。其中,以高光譜圖像為代表的高體量數(shù)據(jù)能夠?qū)τ^測對象實(shí)現(xiàn)空間、光譜、輻射等多方面信息的同步獲取,促使客觀世界的描述呈現(xiàn)出多尺度、多角度、多維度的新特性。目前,利用高光譜數(shù)據(jù)進(jìn)行物質(zhì)分類及目標(biāo)檢測的相關(guān)研究雖然已成功運(yùn)用于農(nóng)業(yè)監(jiān)測、災(zāi)害預(yù)警以及醫(yī)學(xué)檢測等領(lǐng)域,如何抽取高價(jià)值數(shù)據(jù)特性,提高高光譜觀測區(qū)的信息解譯及分類準(zhǔn)確性,仍舊是一項(xiàng)充滿挑戰(zhàn)性的課題。此外,高光譜數(shù)據(jù)呈現(xiàn)出強(qiáng)譜間弱空間的分辨率特性,利用單源高光譜數(shù)據(jù)信息,限制了大量面向空間分辨率以及輻射信息呈現(xiàn)敏感特性的應(yīng)用。圍繞高光譜數(shù)據(jù),協(xié)同更多信息源并綜合利用各類數(shù)據(jù)之間的合作性及互補(bǔ)性,在信息智能融合基礎(chǔ)之上完成觀測目標(biāo)的精準(zhǔn)解譯及精確分類,是具有重要研究意義和廣泛應(yīng)用前景的課題。本文以高光譜圖像為核心,圍繞高光譜圖像空譜特征融合分類、高光譜圖像與高分辨率可見光圖像融合分類、以及高光譜圖像與激光雷達(dá)圖像融合分類展開研究。針對高光譜分類以及圍繞高光譜為核心的多源遙感融合分類當(dāng)前面臨的問題,深度剖析不同融合分類技術(shù)的可行性,以AVIRIS、ROSIS、以及AISA Eagle... 

【文章來源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：158 頁

【學(xué)位級別】：博士

【部分圖文】：

圖１－２高光譜圖像分類方法??Ｆｉｇ．?１－２?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｓｔｒａｔｅｇｉｅｓ??

｜多源信息綜合性＆多元特征靈活性?｜小樣本問題＆深度協(xié)同＆聯(lián)合特征??辱辱．??４??｜??｜??決條級???特征級??跨域?qū)W習(xí)—??Ｉ＼［Ｅ￥ｍ＼?ＥＨＨ］?ｒｗｉ?｜??丨Ｉ高吾丨氣光丨￣￣ＪＴＩ＿＿：?｜?ｌ尺度７通道｜?Ｉ??Ｉ?．．．埤類」…鮮」?Ｉ丨［」?多隱層特征???Ｉ??１?＂?＿＿?ｉ??＾多通道特征＿＾分類?｜??｜丨ＳＩ．Ｔ＇Ｃ決策融合及４類丨Ｉ?ＣＫ－ＳＶＭ融合及分類Ｉ?丨Ｉ信息運(yùn)整度Ｉ廠ｎ結(jié)果丨??服小制約??圖１－３論文整體結(jié)構(gòu)??Ｆｉｇ．?１－３?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｅ?ｄｉｓｓｅｒｔａｔｉｏｎ??１７??

其后分別匹配了六個(gè)卷積模塊用以提取每種輸入的特征，最終實(shí)施特征整合并完成最??終分類。??Ｉ多形變體?ＩＩ特征提取器??Ｐｒ?網(wǎng)！療１備…？韋??１?Ｒｅｇｉｏｎ?ｌ｜Ｖ＾｜?〇?〇〇?｜?全連接網(wǎng)＾??（１：露請Ｉ．??Ｉ?！?：?Ｉ?Ｂｏｔｔｏｍ?１１?ｎ?！響＾￣響??—ｈ?冒｜ｉ?Ｒｅｇｉｏｎ?丨＼＞｜?〇＾Ｖ．．．；…＋?Ｖ．?Ｊ??１１；：：＾?ｊ?Ｉ?〇?〇?〇??？待分類像素｜＿Ｕ?■丨％?ｎ?Ｉ??□空間鄰域像素｜丨丨ｆ??Ｌ：：：?】４上＿？＿」??圖２－１?ＤＲ－ＣＮＮ總體框架圖??Ｆｉｇ．?２－１?Ｔｈｅ?ｗｈｏｌｅ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ＤＲ－ＣＮＮ??本章在網(wǎng)絡(luò)設(shè)計(jì)及輸入構(gòu)建過程中充分考慮了輸入節(jié)點(diǎn)數(shù)目對網(wǎng)絡(luò)設(shè)計(jì)效果的??影響，我們認(rèn)為，輸入節(jié)點(diǎn)的數(shù)量過少可能使得一個(gè)設(shè)計(jì)良好的網(wǎng)絡(luò)難以利用更深更??廣的拓?fù)浣Y(jié)構(gòu)進(jìn)一步提升其性能，而深度及廣度充分的網(wǎng)絡(luò)有助于深度挖掘及整合高??光譜數(shù)據(jù)的頻譜空間信息。在以Ｌｅｅ和Ｋｗｏｎ提出的ＣＤ－ＣＮＮ［Ｕ５１為代表的高光譜空??譜聯(lián)合分類研究中，固定大小的方形窗是常見空間特征提取算子的輸入。然而，單一??且固定尺度的正方形輸入并不適用于具有復(fù)雜場景分布的數(shù)據(jù)分析任務(wù)，其特征提取??過程的受眾（輸入節(jié)點(diǎn)）樣態(tài)是單一的，Ｌｅｅ和Ｋｗ〇ｎ［ｌｌ５ｌ提出的ＣＤ－ＣＮＮ不能充分利用??高光譜數(shù)據(jù)中特定像素周圍豐富的語義上下文屬性，造成信息的大量丟失。即便加深??ＣＤ－ＣＮＮ的網(wǎng)絡(luò)設(shè)計(jì)，該方法的單一輸入塊中的抽象信息也很難得到完整發(fā)掘，甚至??因模型過深而陷入過擬合問題中。實(shí)際上，縱觀現(xiàn)有基于ＣＮＮ的分類方法，大多數(shù)??方法選擇使用單一輸入體系結(jié)構(gòu)（例

【參考文獻(xiàn)】：
期刊論文
[1]基于核半監(jiān)督判別分析的高光譜影像特征提取[J]. 張鵬強(qiáng),譚熊,余旭初,魏祥坡,薛志祥.  測繪科學(xué)技術(shù)學(xué)報(bào). 2016(03)
[2]遙感數(shù)據(jù)融合的進(jìn)展與前瞻[J]. 張良培,沈煥鋒.  遙感學(xué)報(bào). 2016(05)
[3]加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類[J]. 黃鴻,鄭新磊.  光學(xué)精密工程. 2016(04)
[4]一種基于紋理和光譜特征的高光譜影像信息向量機(jī)分類方法[J]. 尹明,譚熊,張鵬強(qiáng),徐衛(wèi)霄.  測繪科學(xué)技術(shù)學(xué)報(bào). 2015(04)
[5]高光譜目標(biāo)探測的進(jìn)展與前沿問題[J]. 張良培.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2014(12)
[6]冷色調(diào)圖像的灰度化及其客觀評價(jià)方法[J]. 徐曉慶,王亦紅.  計(jì)算機(jī)工程與設(shè)計(jì). 2014(08)
[7]結(jié)合APO算法的高光譜圖像波段選擇[J]. 王立國,魏芳潔.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2013(09)
[8]基于灰度共生矩陣的織物圖像分析[J]. 盧易楓.  工業(yè)控制計(jì)算機(jī). 2013(09)
[9]光譜遙感技術(shù)在找礦中的應(yīng)用[J]. 萬佳明.  礦業(yè)裝備. 2013(08)
[10]獨(dú)立分量分析在高光譜遙感圖像處理中的應(yīng)用綜述[J]. 田野,張朝柱,王啟宇,祖大鵬.  哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào). 2012(06)

博士論文
[1]基于空譜特征挖掘的高光譜圖像分類方法研究[D]. 劉務(wù).哈爾濱工程大學(xué) 2018
[2]多源時(shí)—空—譜光學(xué)遙感影像的變分融合方法[D]. 孟祥超.武漢大學(xué) 2017
[3]高光譜圖像特征提取與分類方法研究[D]. 任越美.西北工業(yè)大學(xué) 2017
[4]高光譜遙感數(shù)據(jù)特征提取與特征選擇方法研究[D]. 魏峰.西北工業(yè)大學(xué) 2015
[5]多源遙感信息融合技術(shù)及多源信息在地學(xué)中的應(yīng)用研究[D]. 韓玲.西北大學(xué) 2005

碩士論文
[1]高光譜圖像特征提取和分類方法研究[D]. 劉悅.天津工業(yè)大學(xué) 2018
[2]基于深度神經(jīng)網(wǎng)絡(luò)的多/高光譜與高程數(shù)據(jù)聯(lián)合分類研究[D]. 李春陽.哈爾濱工業(yè)大學(xué) 2017
[3]基于深度學(xué)習(xí)的高光譜圖像分類算法的研究[D]. 王凡.中國科學(xué)技術(shù)大學(xué) 2017
[4]高光譜圖像數(shù)據(jù)分布式分類處理方法研究[D]. 余意.哈爾濱工業(yè)大學(xué) 2017
[5]面向分類的多/高光譜與SAR圖象協(xié)同處理技術(shù)研究[D]. 趙宏磊.哈爾濱工業(yè)大學(xué) 2011
[6]高光譜遙感圖像融合技術(shù)與質(zhì)量評價(jià)方法研究[D]. 馬一薇.解放軍信息工程大學(xué) 2010
[7]多傳感器數(shù)據(jù)協(xié)同分類技術(shù)研究[D]. 周陽.哈爾濱工業(yè)大學(xué) 2009
[8]高光譜與高空間分辨率遙感圖像融合算法研究[D]. 亓辰.哈爾濱工業(yè)大學(xué) 2008



本文編號：3576008