基于改进滤波算法的高光谱遥感影像特征提取研究

发布时间：2021-01-21 02:31

　　高光谱遥感影像可以提供数十甚至数百含有丰富地球表面的波段信息。从这些信息中,有效提取特征信息,对于地物识别、场景理解、目标检测等诸多相关领域的研究具有非常重要的意义。然而高光谱遥感影像为数据分析提供丰富的有用波段信息的同时,也为高光谱遥感影像分析处理带来许多问题和挑战:（1）噪声问题。高光谱遥感影像在获取过程中,受到传感器、大气、光照变化等因素的影响,影像常会存在大量复杂噪声,使波段信息严重失真,不利于特征信息的有效提取;（2）小样本问题。高光谱遥感影像真实地物标签获取成本高和难度大,不容易采集到大量的标签样本用于训练模型,常会出现仅有少量标签样本可用于高光谱遥感影像分类的高挑战性问题,这种在样本数目稀少情况下实现高光谱遥感影像精细分类的问题,称之为小样本问题。（3）跨区域混合问题。高光谱遥感影像在去噪过程中由于空间分辨率小和地物分布复杂,将经常发生跨区域混合,即除目标地物特征外还混合有其他地物特征,此时,执行去噪任务,将受到跨区域混合影响,使输出影像产生模糊区域,从而影响高光谱遥感影像的特征提取。为此,本文开展了基于改进滤波算法的高光谱遥感影像特征提取研究,在高光谱遥感影像的噪声问题... 

【文章来源】：中国地质大学湖北省 211工程院校 教育部直属院校

【文章页数】：115 页

【学位级别】：博士

【部分图文】：

高光谱遥感影像立体示意图

图 1-2a、b 和 c 分别是 Indian Pine 假彩色合成图、真实地类图和颜色编。该实验区包含 16 种真实地类，具体如下：苜蓿草（Alfalfa）、未耕玉米地Corn_n)、玉米幼苗（Corn_m）、玉米（Corn）、修剪过的草地/牧场(Grass_m)、地/树林（Grass_t）、草地/牧场（Grass_p）、干草/料堆（Hay_w）、燕麦(Oats)、耕大豆地(Soybeans_n)、大豆幼苗（Soybeans_m）、整理过的大豆地（Soybeans_c）麦（Wheat）、木柴（Woods）、建筑（Building）和石头（Stone）。University of Pavia 图像是通过 ROSIS 传感器获取，位于 Pavia 大学的城市区周围的图像。图的大小为 610 × 340，空间分辨率为 1.3m，光谱范围从 0.43 0.86μm，包含 115 个波段，其中 12 个噪声通道被移除，剩余 103 个波段。图3a、b 和 c 分别是 University of Pavia 假彩色合成图、真实地类图和颜色编号。实验区包含 9 种真实地类，具体如下：柏油马路（Asphalt）、草地（Meadows）、砾（Gravel）、树木（Trees）、金属板（Metal sheets）、裸土（Bare soil）、油屋顶（Bitumen）、砖块（Bricks）和阴影（Shadows）。

图 1-4 Salinas 实验数据Figure 1-4 Salinas experimental datainas 是通过 AVIRIS 传感器获取，美国加州 Salinas 山谷的图像2 × 217，空间分辨率为 3.7m，包含 224 个波段，其中移除 20 个，图 1-4a、b 和 c 分别是 Salinas 假彩色合成图、真实地类图和27


本文编号：2990274