高光谱影像水面小目标检测与识别

发布时间：2020-04-20 23:21

【摘要】：基于高光谱影像的目标检测与分类识别占据着遥感研究领域的重要地位,因多维特征的引入,其检测效率与识别精度较低。考虑以上两个缺点,在对高光谱影像数据充分理解的前提下,本文对高光谱影像中水面小目标的检测与识别问题进行了研究,囊括了三个关键技术,具体如下:首先,通过研究高光谱水体指数特征与小目标的形态特征,提出了二者结合的基于背景先验的水面小目标区域检测方案。水体指数特征用于精确提取水面背景区域,小目标形态特征用于凸显水面小目标区域。其次,结合光谱包络线,提出了背景先验与目标先验结合的检测方法,以背景先验检测结果为基础,通过提取目标先验光谱的包络点及其对应谷值,计算基于包络线的光谱斜率和差值特征,分别表征光谱的变化趋势和差值特点,并将二者结合用于目标像元的相似性对比。最后,将光谱特征与循环神经网络结合,设计了一种基于深度学习的光谱分类识别方案。通过光谱重排提升光谱的区分度;采用主成分分析算法对重排后光谱数据降维,提升处理效率并减弱噪声的影响;结合循环神经网络处理序列数据的优势,最终实现对目标像元高精度的识别。通过与多种方法对比实验,本文的检测与识别方法能完整、高效、精确地检出水面小目标,对复杂背景有较强的抗干扰能力。
【图文】：

高光谱影像,数据,波段

华中科技大学硕士学位论文数据；（2）光谱范围窄：高光谱影像的波段范围一般小于 10nm；（3）波段连续：高光谱传感器在某个波段范围内，可以提供几乎连续的地物光谱；（4）数据量大：随着波段数的增加，高光谱影像的数据量呈指数增加；图 1-1 表示高光谱影像数据，，描述了高光谱传感器成像结果与视觉观察结果的差别以及高光谱影像不同地物的的多波段特性。

示意图,结构单元,样本量,门控

在 LSTM 结构基础上，Cho,etal.2014 提出了门控循环单元（GatedRecurrentUnit，简称 GRU）神经网络，该结构单元将 LSTM 中的忘记门和输入门合成了单一的更新门，同时混合了细胞状态和隐藏状态，比 LSTM 结构更加简单，属于LSTM 的变体结构[49]。这种简单的结构设计为不同状态之间提供了一条捷径，减缓了梯度消失带来的难训练问题。样本量较小时，GRU 比 LSTM 更容易收敛，并且分类性能的体现上，二者不分伯仲甚至 GRU 结构单元效果略优；样本量较大时，LSTM 的表达性能更好[50]。本章采用的光谱数据为序列数据，波段间存在较强的相互关系，分类数据量不大，所以选用能解决长时依赖问题的基于门控循环单元的循环神经网络如图 4-3(a)表示 RNN 单个神经网络的示意图，该神经网络包含指向自身的环状结构，用于将当前时刻的处理信息传递给下一个时刻使用，图 4-3 表示 GRU结构单元。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】