基于深度特征的成像光谱图像安全检索系统设计与实现

发布时间：2021-01-14 11:16

　　随着遥感对地观测技术的飞速发展,成像光谱数据呈现指数增长,特别是人工智能技术和高性能计算的加速崛起,进一步推动了成像光谱大数据时代的到来。因此,如何高效地组织和管理海量的成像光谱数据成为一个亟待解决的实际应用问题。此外,作为数字地球等各项重大建设项目的基础性数据,成像光谱图像（spectral imagery）在城市规划、环境监测以及军事侦察等领域有着广泛的应用。然而,网络时代的开放性与共享性,使得网络信息安全问题日益突出,特别是含有重要信息的成像光谱图像则应具有严格的保密性,要确保检索过程中不发生失泄密事件。传统的采用手工设计特征的图像检索方法,由于一直未能很好地解决低层特征和高层语义之间的语义鸿沟问题,难以形成对成像光谱图像有效的特征表达,从而制约了成像光谱图像检索技术的进一步发展。而现有的成像光谱图像检索技术所关注的是如何设计有效的机制来提高检索性能,往往忽略了图像内容的安全性问题。针对海量成像光谱图像,如果在保证图像检索性能的同时,有效地保障成像光谱图像的安全性则具有重要的实际研究意义和广泛的工程应用价值。为此,论文从图像检索和安全相互结合、相互支持的观点出发,设计并实现一个基... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：96 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景
    1.2 成像光谱图像安全检索技术
    1.3 课题的提出
    1.4 论文研究内容
    1.5 论文结构安排
第2章 成像光谱图像安全检索技术的研究进展
    2.1 引言
    2.2 成像光谱图像的特征表示
        2.2.1 视觉特征
        2.2.2 空间关系特征
        2.2.3 光谱特征
        2.2.4 深度特征
    2.3 成像光谱图像的数据降维技术
        2.3.1 主成分分析方法
        2.3.2 最小噪声分离
        2.3.3 投影寻踪
        2.3.4 非线性流形学习
    2.4 图像安全检索技术
        2.4.1 明文域图像安全检索
        2.4.2 加密域图像安全检索
    2.5 安全检索性能评价准则
        2.5.1 安全性能
        2.5.2 检索性能
    2.6 本章小结
第3章 成像光谱图像的深度光谱-空间特征提取
    3.1 引言
    3.2 深度卷积生成对抗网络DCGAN
    3.3 成像光谱图像深度光谱-空间特征提取
        3.3.1 光谱-空间向量的获取
        3.3.2 深度卷积生成对抗网络的训练
        3.3.3 深度光谱-空间特征的提取
    3.4 应用深度光谱-空间特征的成像光谱图像检索
    3.5 实验结果与分析
    3.6 本章小结
第4章 成像光谱图像的深度光谱-空间特征降维
    4.1 引言
    4.2 非线性流形哈希
        4.2.1 归纳流形哈希
        4.2.2 基于t-SNE的非线性流形哈希
    4.3 深度光谱-空间特征的非线性流形哈希降维
        4.3.1 从深度光谱-空间特征选取代表数据
        4.3.2 代表数据的t-SNE降维
        4.3.3 成像光谱图像的非线性流形哈希降维
    4.4 实验结果与分析
    4.5 本章小结
第5章 基于特征随机化加密的成像光谱图像安全检索系统实现
    5.1 引言
    5.2 成像光谱图像安全检索系统的总体框架
    5.3 成像光谱图像的特征随机化加密
        5.3.1 特征比特平面的异或和随机化置乱加密
        5.3.2 特征维度的随机化映射
    5.4 基于特征随机化加密成像光谱图像安全检索系统的具体实现
        5.4.1 成像光谱图像的深度特征表示
        5.4.2 深度特征随机化加密
        5.4.3 采用多索引哈希相似性度量准则的加密域检索
        5.4.4 特征权重调整的相关反馈
    5.5 实验结果与分析
        5.5.1 安全性能
        5.5.2 检索性能
    5.6 本章小结
总结与展望
参考文献
攻读硕士学位期间完成的学术成果
攻读硕士学位期间参加的科研项目
攻读硕士学位期间所获奖励
致谢


【参考文献】：
期刊论文
[1]Multiple Saliency Features Based Automatic Road Extraction from High-Resolution Multispectral Satellite Images[J]. ZHANG Jing,CHEN Lu,ZHUO Li,GENG Wenhao,WANG Chao.  Chinese Journal of Electronics. 2018(01)
[2]结合最小噪声分离变换和卷积神经网络的高分辨影像分类方法[J]. 陈洋,范荣双,王竞雪,吴增林,孙汝星.  激光与光电子学进展. 2017(10)
[3]基于DBN的故障特征提取及诊断方法研究[J]. 赵光权,葛强强,刘小勇,彭喜元.  仪器仪表学报. 2016(09)
[4]基于Voronoi几何划分和EM/MPM算法的多视SAR图像分割[J]. 赵泉华,李玉,何晓军,宋伟东.  遥感学报. 2013(04)
[5]Image Semantic Automatic Annotation by Relevance Feedback[J]. 张同珍,申瑞民.  Journal of Donghua University（English Edition）. 2007(05)
[6]基于分形理论的航空图像分类方法[J]. 李厚强,刘政凯,林峰.  遥感学报. 2001(05)

硕士论文
[1]Hyperion高光谱数据进行混合像元分解研究[D]. 王强.东北林业大学 2006



本文编号：2976802