基于视觉稀疏表示和深度脊波网络的遥感图像融合及分类
发布时间:2020-08-15 12:42
【摘要】:随着卫星技术的不断发展,高分辨率遥感图像不断出现,遥感图像在农业领域、城市区域分析、环境监测、道路网络提取等方面都得到了广泛应用。由于成像设备的不同,可以得到多种遥感图像,例如多光谱图像、高光谱图像、以及全色图像。为了更好的对图像中的目标进行解释,本文对多光谱和全色图像的融合、以及高光谱图像的分类问题进行了研究。本论文为了有效地提高融合图像的质量和高光谱图像的分类精度,从基于视觉稀疏表示的多光谱和全色图像的融合和基于深度脊波网络的高光谱图像分类两个方面进行了研究。全文主要工作内容如下:(1)提出了一种基于Mask Dodging和非下采样Shearlet变换的多光谱和全色图像融合方法,用于解决融合图像的细节信息受到薄云干扰的问题。在该方法中,采用Mask Dodging法分别对多光谱和全色图像中的薄云进行有效地去除。对去云后的图像,提出自适应PCA变换和非下采样Shearlet变换相结合的融合方法来提高融合图像的光谱和空间分辨率信息。针对去云过程造成薄云所在区域地物细节信息丢失的问题,设计一种新的图像增强方法,在融合过程中对云区丢失的细节信息进行增强。实验结果表明,设计的方法能够使得融合图像不仅具有较好的空间分辨率信息和光谱信息,同时具有较为一致的清晰度。(2)提出了一种基于初始素描模型和学习插值的多光谱和全色图像融合方法。基于初始素描模型,可以得到高分辨率全色图像的初始素描图。初始素描图是由一些线段组成,包含了图像的边、线特征,并且素描图上的每一个线段都包含方向信息。本文根据初始素描图上线段的方向,设计区域划分方法,将多光谱和全色图像划分为结构、纹理和光滑区域。针对多光谱图像中的结构区域和纹理区域,结合高分辨率全色图像的梯度信息,分别设计了结构和纹理学习插值方法,对插值像素进行学习。实验结果表明,提出方法在不同卫星成像得到的多光谱和全色图像上测试,证明了本文算法的有效性。(3)提出了一种基于压缩超分辨重构和多字典学习的多光谱和全色图像融合方法。在该方法中设计了一个两阶段的压缩超分辨重构模型,有效的解决了基于压缩感知融合模型中高分辨率全色图像与线性加权的高分辨率多光谱图像之间存在误差的问题。同时,结合图像的素描信息,针对多光谱和全色图像不同区域的特点,设计了由脊波字典、曲线波字典、以及DCT字典组成的多字典。该字典分别用于两个阶段的超分辨重构中,来提高融合图像的重构效果。实验结果表明,该方法能够较好的解决最近提出的基于压缩感知融合模型产生光谱失真的问题,进一步提高融合图像的空间分辨率。(4)基于Hinton等人提出的自编码器,提出了脊波自编码器,以及基于该自编码器的高光谱图像分类方法。在该方法中将脊波作为深度网络的激活函数,进一步提高整个网络对高维非线性决策函数的稀疏逼近能力。相比于标准的激活函数sigmoid、双正切以及rectifier函数,脊波具有尺度、位移和方向信息,同时,它是紧支撑的,因此脊波自编码器能够有效地提高网络的稀疏逼近能力。通过高光谱图像、MNIST手写体数据库、CIFAR10数据库、以及双螺旋线非线性分类实验证明,脊波自编码器能够有效的提高测试数据的分类精度。(5)根据卷积神经网络的框架,结合脊波函数的特性,提出了一种基于脊波卷积神经网络的高光谱图像分类方法。在该分类方法中,提出了脊波滤波器初始化和空谱结合的高光谱图像分类方法。与标准的卷积神经网络框架下的初始化方法相比,脊波滤波器初始化方法在逼近光谱和空间信息方面,具有更好的稀疏表示能力和更快的逼近速率。而与标准的特征学习方法相比,本论文方法仍然继承了标准的卷积神经网络的结构,提供了一个自适应有效地特征学习方法。实验结果表明,所提出的方法能够有效的提高网络的逼近速率和提高高光谱图像的分类精度。(6)提出了一种基于三维卷积神经网络的高光谱图像分类方法。标准的卷积神经网络被证明是一种较好的特征提取方法,但是它只能对二维图像的特征进行学习。高光谱图像是一个像素立方体,空间特征对于提高分类精度也是十分有帮助的。在本论文中,三维卷积神经网络的应用被扩展到高光谱图像分类问题上。通过三维卷积操作,挖掘高光谱图像更加复杂的特征。除此之外,该方法进一步研究了三维脊波滤波器对三维卷积网络的影响。提出的方法在高光谱图像数据集上进行了测试,分类精度得到了较大幅度的提高。
【学位授予单位】:西安电子科技大学
【学位级别】:博士
【学位授予年份】:2016
【分类号】:TP751
【图文】:
图1.邋1多光谱卫星传感器的空间分辨率变化逡逑表1.2目前的高光谱传感器及其光谱特性逡逑
Components邋Analysis)等,用全色图像替代多光谱图像变换后的某一分量,再进行反逡逑变换,得到最终的融合图像。该类算法具有较低的时间复杂度,也是工程中最常用的逡逑融合方法。图1.1显示了该类算法的一般框架图。逡逑^HIS变换逦逆HIS变换逡逑光谱图像逡逑低分辨率强逦离分辨率强;逦_逡逑度分量柋-度分量图像胃逡逑高分辨率全逦^逡逑色图像邋—逡逑图1.邋2基于HIS替代法的多光谱和全色图像融合框架图逡逑下面是几种常见的基于替代法的融合方法:逡逑?邋HIS逡逑HIS是一个彩色空间,H邋(Hue)分量被定义为颜色空间的主要波长信息,I逡逑(Intensity)被定义为强度信息,S邋(Saturation)被定义为饱和度信息口81。HIS在很逡逑大程度上解释了人类所感知到的色彩空间,并且克服了通常使用的RGB色彩空间与人逡逑类感知到的色彩空间是不一致的缺点逡逑由于HIS变换得到的融合图像能够获得较好的空间分辨率信息,所W许多应用软逡逑件都采用HIS方法对多光谱和全色图像进行融合。Chaveztw蛹过LandsatTM和SPOT逡逑全色图像对HIS、PCA、W及其它的融合方法进行了比较。文章中显示了虽然HIS算逡逑6逡逑
小波变换是数学工具在信号处理和图像处理领域的一个里程碑。它能够将图像分逡逑解为一些不同分辨率的图像,用小波系数来表示。小波分解后的每一尺度下的分解系逡逑数包含了图像的空间细节信息。图1.2显示了一般的基于小波融合方法的框架图。逡逑低分辨率多逦小波分解逡逑肺化画灄眶?商频系数;'4逡逑光谱图像逡逑低频系数??*-?"逡逑灥逦逆小波变换i邋:善;:心''逡逑—?邋融合图像逡逑[帘媛柿钚〔ǚ纸忮危蓩p栥苗;灥^逡逑间分巧军全y崬岛諍φ咂迪凳唬义仙滔皴义稀纾康推迪凳义贤迹保郴谛〔ū浠坏亩喙馄缀腿枷袢诤峡蚣芡煎义嫌捎谛〔ǚ纸獗忍娲ň哂懈玫娜诤闲Ч欹盟玫搅撕芏嘌星烧叩墓刈ⅰe义希伲铮悖耄祝福吃冢保梗梗的晏岢隽肆轿〔ū浠坏耐枷袢诤峡蚣堋T谖恼轮行〔ㄓ耄龋桑咏绣义媳冉希玫叫〔ㄔ诙喙馄缀腿枷袢诤现行Ч糜冢龋桑颖浠坏慕崧邸T冢保梗梗赌辏义希伲铮悖耄妫矗梗焯岢隽艘恢指慕幕谛〔ū浠坏亩喙馄缀腿枷袢诤戏椒ǎ椒ㄔ阱义希樱校希院停蹋幔睿洌螅幔簦裕褪萆辖辛瞬馐裕竦昧私虾玫娜诤闲Ч#冢瑁铮醯热耍校滋岢鲥义狭艘恢只谡恍〔ū浠坏娜诤戏椒ā#危酰睿澹热颂岢隽嘶诙喾直嫘〔ǚ纸獾耐煎义舷袢诤戏椒ā8梅椒ㄍü愿叻直媛嗜枷窈偷头直媛识喙馄淄枷窠蟹纸猓咤义戏直媛嗜枷竦南附谔砑尤氲头直媛识喙馄淄枷裰欣词迪滞枷竦娜诤稀F渲兴捎缅义希稿义
本文编号:2794131
【学位授予单位】:西安电子科技大学
【学位级别】:博士
【学位授予年份】:2016
【分类号】:TP751
【图文】:
图1.邋1多光谱卫星传感器的空间分辨率变化逡逑表1.2目前的高光谱传感器及其光谱特性逡逑
Components邋Analysis)等,用全色图像替代多光谱图像变换后的某一分量,再进行反逡逑变换,得到最终的融合图像。该类算法具有较低的时间复杂度,也是工程中最常用的逡逑融合方法。图1.1显示了该类算法的一般框架图。逡逑^HIS变换逦逆HIS变换逡逑光谱图像逡逑低分辨率强逦离分辨率强;逦_逡逑度分量柋-度分量图像胃逡逑高分辨率全逦^逡逑色图像邋—逡逑图1.邋2基于HIS替代法的多光谱和全色图像融合框架图逡逑下面是几种常见的基于替代法的融合方法:逡逑?邋HIS逡逑HIS是一个彩色空间,H邋(Hue)分量被定义为颜色空间的主要波长信息,I逡逑(Intensity)被定义为强度信息,S邋(Saturation)被定义为饱和度信息口81。HIS在很逡逑大程度上解释了人类所感知到的色彩空间,并且克服了通常使用的RGB色彩空间与人逡逑类感知到的色彩空间是不一致的缺点逡逑由于HIS变换得到的融合图像能够获得较好的空间分辨率信息,所W许多应用软逡逑件都采用HIS方法对多光谱和全色图像进行融合。Chaveztw蛹过LandsatTM和SPOT逡逑全色图像对HIS、PCA、W及其它的融合方法进行了比较。文章中显示了虽然HIS算逡逑6逡逑
小波变换是数学工具在信号处理和图像处理领域的一个里程碑。它能够将图像分逡逑解为一些不同分辨率的图像,用小波系数来表示。小波分解后的每一尺度下的分解系逡逑数包含了图像的空间细节信息。图1.2显示了一般的基于小波融合方法的框架图。逡逑低分辨率多逦小波分解逡逑肺化画灄眶?商频系数;'4逡逑光谱图像逡逑低频系数??*-?"逡逑灥逦逆小波变换i邋:善;:心''逡逑—?邋融合图像逡逑[帘媛柿钚〔ǚ纸忮危蓩p栥苗;灥^逡逑间分巧军全y崬岛諍φ咂迪凳唬义仙滔皴义稀纾康推迪凳义贤迹保郴谛〔ū浠坏亩喙馄缀腿枷袢诤峡蚣芡煎义嫌捎谛〔ǚ纸獗忍娲ň哂懈玫娜诤闲Ч欹盟玫搅撕芏嘌星烧叩墓刈ⅰe义希伲铮悖耄祝福吃冢保梗梗的晏岢隽肆轿〔ū浠坏耐枷袢诤峡蚣堋T谖恼轮行〔ㄓ耄龋桑咏绣义媳冉希玫叫〔ㄔ诙喙馄缀腿枷袢诤现行Ч糜冢龋桑颖浠坏慕崧邸T冢保梗梗赌辏义希伲铮悖耄妫矗梗焯岢隽艘恢指慕幕谛〔ū浠坏亩喙馄缀腿枷袢诤戏椒ǎ椒ㄔ阱义希樱校希院停蹋幔睿洌螅幔簦裕褪萆辖辛瞬馐裕竦昧私虾玫娜诤闲Ч#冢瑁铮醯热耍校滋岢鲥义狭艘恢只谡恍〔ū浠坏娜诤戏椒ā#危酰睿澹热颂岢隽嘶诙喾直嫘〔ǚ纸獾耐煎义舷袢诤戏椒ā8梅椒ㄍü愿叻直媛嗜枷窈偷头直媛识喙馄淄枷窠蟹纸猓咤义戏直媛嗜枷竦南附谔砑尤氲头直媛识喙馄淄枷裰欣词迪滞枷竦娜诤稀F渲兴捎缅义希稿义
本文编号:2794131
本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/2794131.html