基于深度学习的高光谱影像配准研究
发布时间：2021-11-09 23:41
影像配准是指匹配或重叠在不同时间、不同传感器或不同条件下获取的两个或多个影像的过程。传统的配准算法如尺度不变特征变换（scale-invariant feature transform,SIFT）等在一般影像配准领域已经取得较好的成果,但由于遥感影像范围大、地物杂、光谱多,高光谱影像更是具有数百上千个光谱通道,使用传统的算法对其进行配准,无法提取具有判别性的高鲁棒性特征,配准时往往会出现提取特征点少、错误匹配多甚至无法配准等缺点。深度学习中的卷积神经网络具有良好的特征提取能力,随着网络层数不断加深,能提取到具有鲁棒性的高层语义特征,更适用于高光谱影像配准。因此本文使用基于深度学习网络模型的方法,对高光谱影像进行配准,主要对数据预处理、特征提取和特征匹配三个过程进行模型设计和优化,提高影像的配准精度。实验结果表明:与传统的人工特征配准算法相比,本文基于深度学习网络模型的配准算法,能实现对高光谱遥感影像的配准;与现存的深度学习配准算法相比,本文设计的特征提取网络能提取到高光谱影像具有更高鲁棒性的特征;本文优化的特征匹配策略,能明显提高特征点对的正确匹配率。本文从数据预处理到模型设计,实现了...
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
图像配准主要方法
中国地质大学（北京）硕士学位论文9图1-2技术路线图1.4论文组织结构本文研究目的为：使用基于深度学习网络模型的方法实现高光谱影像配准，以机载高光谱数据为数据源，首先使用SAE算法对高光谱影像进行数据降维，提取出具有丰富信息的特征波段，然后参照公开匹配数据集HPatches（MikolajczykKetal.,2005）制作高光谱数据集；特征提取器使用VGG为基础网络，增加网络层数，同时加入ResNet块，避免出现梯度消失；匹配网络损失函数使用提取器的结果进行优化，使得特征匹配对特征提取进行负反馈调节；模型训练先使用公开数据集HPatches进行预训练，再使用高光谱数据集进行训练，增加网络的收敛速度；最后使用训练好的模型对高光谱影像进行配准，对结果进行分析与精度评价。根据以上内容，本文共分为六章，具体安排如下：第一章：引言，介绍了本文的研究背景、研究现状、研究问题与研究方法，在研究现状中，介绍了传统的和现有的基于深度学习的配准算法研究现状，引出本文的研究问题和研究方法。第二章：基于深度学习的高光谱影像配准理论基础，首先介绍了影像配准理论即影像配准的目的、方法和结果，然后阐述了高光谱影像特点以及配准难点，最后
2基于深度学习的影像配准理论基础1211121321222331323311pqpqxtttxytttyttt(2-2)111213212223313233tttTtttttt(2-3)其中，T为转换参数，由多组来自参考影像1I和待配准影像2I的同名特征点对1212{(,,,),(,,)}nnPpppQqqq确定。因此，如下图所示，基于特征的影像配准过程可总结为：输入影像对、提取特征点、特征点匹配（得到同名特征点）、转换关系计算（得到旋转、平移、尺度缩放因子）、配准结果。其中，探测出具有旋转、平移和尺度缩放不变性的特征点并进行正确的同名点对匹配是影像配准任务的关键。图2-1影像配准流程图2.2传统SIFT特征配准算法由2.1影像配准理论可知，特征点提取和匹配是影像配准的关键步骤，传统的SIFT算法在高斯差分空间探测极值点作为特征点，主要过程如下：1.检测尺度空间极值点,初步确定关键点的位置和所在尺度。L(x,y,)G(x,y,)I(x,y)(2-4)高斯核函数：
【参考文献】：
期刊论文
[1]无人机高光谱内置推扫影像快速拼接方法[J]. 黄宇,陈兴海,刘业林,孙梅,苏秋城,李艳大. 测绘地理信息. 2019(05)
[2]轻小型无人机高光谱影像拼接研究[J]. 易俐娜,许筱,张桂峰,明星,郭文记,李少聪,沙灵玉. 光谱学与光谱分析. 2019(06)
[3]基于Sentinel-1和Sentinel-2数据融合的农作物分类[J]. 郭交,朱琳,靳标. 农业机械学报. 2018(04)
[4]一种改进的基于深度学习的遥感影像拼接方法[J]. 雒培磊,李国庆,曾怡. 计算机工程与应用. 2017(20)
[5]一种基于SIFT算法的SAR图像配准方法[J]. 范宗杰,徐向辉,周晓丽. 电子测量技术. 2014(08)
[6]遥感图像配准技术综述[J]. 余先川,吕中华,胡丹. 光学精密工程. 2013(11)
[7]基于MNF、PCA与ICA结合的高光谱数据特征提取方法[J]. 葛山运. 城市勘测. 2013(02)
[8]基于Autoencoder网络的数据降维和重构[J]. 胡昭华,宋耀良. 电子与信息学报. 2009(05)
[9]图像拼接技术综述[J]. 王娟,师军,吴宪祥. 计算机应用研究. 2008(07)
硕士论文
[1]基于三维重建的无人机高光谱影像拼接研究[D]. 邹松.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[2]基于高光谱图像的压缩与重构算法研究[D]. 章梦飞.武汉大学 2017
[3]航空高光谱遥感影像自动拼接技术研究[D]. 牛璐璐.吉林大学 2016
本文编号：3486130
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
图像配准主要方法
中国地质大学（北京）硕士学位论文9图1-2技术路线图1.4论文组织结构本文研究目的为：使用基于深度学习网络模型的方法实现高光谱影像配准，以机载高光谱数据为数据源，首先使用SAE算法对高光谱影像进行数据降维，提取出具有丰富信息的特征波段，然后参照公开匹配数据集HPatches（MikolajczykKetal.,2005）制作高光谱数据集；特征提取器使用VGG为基础网络，增加网络层数，同时加入ResNet块，避免出现梯度消失；匹配网络损失函数使用提取器的结果进行优化，使得特征匹配对特征提取进行负反馈调节；模型训练先使用公开数据集HPatches进行预训练，再使用高光谱数据集进行训练，增加网络的收敛速度；最后使用训练好的模型对高光谱影像进行配准，对结果进行分析与精度评价。根据以上内容，本文共分为六章，具体安排如下：第一章：引言，介绍了本文的研究背景、研究现状、研究问题与研究方法，在研究现状中，介绍了传统的和现有的基于深度学习的配准算法研究现状，引出本文的研究问题和研究方法。第二章：基于深度学习的高光谱影像配准理论基础，首先介绍了影像配准理论即影像配准的目的、方法和结果，然后阐述了高光谱影像特点以及配准难点，最后
2基于深度学习的影像配准理论基础1211121321222331323311pqpqxtttxytttyttt(2-2)111213212223313233tttTtttttt(2-3)其中，T为转换参数，由多组来自参考影像1I和待配准影像2I的同名特征点对1212{(,,,),(,,)}nnPpppQqqq确定。因此，如下图所示，基于特征的影像配准过程可总结为：输入影像对、提取特征点、特征点匹配（得到同名特征点）、转换关系计算（得到旋转、平移、尺度缩放因子）、配准结果。其中，探测出具有旋转、平移和尺度缩放不变性的特征点并进行正确的同名点对匹配是影像配准任务的关键。图2-1影像配准流程图2.2传统SIFT特征配准算法由2.1影像配准理论可知，特征点提取和匹配是影像配准的关键步骤，传统的SIFT算法在高斯差分空间探测极值点作为特征点，主要过程如下：1.检测尺度空间极值点,初步确定关键点的位置和所在尺度。L(x,y,)G(x,y,)I(x,y)(2-4)高斯核函数：
【参考文献】：
期刊论文
[1]无人机高光谱内置推扫影像快速拼接方法[J]. 黄宇,陈兴海,刘业林,孙梅,苏秋城,李艳大. 测绘地理信息. 2019(05)
[2]轻小型无人机高光谱影像拼接研究[J]. 易俐娜,许筱,张桂峰,明星,郭文记,李少聪,沙灵玉. 光谱学与光谱分析. 2019(06)
[3]基于Sentinel-1和Sentinel-2数据融合的农作物分类[J]. 郭交,朱琳,靳标. 农业机械学报. 2018(04)
[4]一种改进的基于深度学习的遥感影像拼接方法[J]. 雒培磊,李国庆,曾怡. 计算机工程与应用. 2017(20)
[5]一种基于SIFT算法的SAR图像配准方法[J]. 范宗杰,徐向辉,周晓丽. 电子测量技术. 2014(08)
[6]遥感图像配准技术综述[J]. 余先川,吕中华,胡丹. 光学精密工程. 2013(11)
[7]基于MNF、PCA与ICA结合的高光谱数据特征提取方法[J]. 葛山运. 城市勘测. 2013(02)
[8]基于Autoencoder网络的数据降维和重构[J]. 胡昭华,宋耀良. 电子与信息学报. 2009(05)
[9]图像拼接技术综述[J]. 王娟,师军,吴宪祥. 计算机应用研究. 2008(07)
硕士论文
[1]基于三维重建的无人机高光谱影像拼接研究[D]. 邹松.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[2]基于高光谱图像的压缩与重构算法研究[D]. 章梦飞.武汉大学 2017
[3]航空高光谱遥感影像自动拼接技术研究[D]. 牛璐璐.吉林大学 2016
本文编号：3486130
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3486130.html
