高光谱和多光谱图像分类的谱-空间特征提取技术

发布时间：2020-05-08 16:25

【摘要】：本文的主要目标是VHR多光谱和高光谱遥感图像的分类。上一代遥感传感器能够从卫星和机载平台获得空间及光谱分辨率非常高的图像。新一代遥感系统获取的VHR多光谱图像,不仅拥有亚测量空间分辨率和高光谱图像,而且具有数百个窄光谱带的非常精细的光谱分辨率。遥感图像用给定研究区域内的空间坐标(如街道,建筑物,植被,水等等)来精确表征地面上的不同目标。这种类型的数据为环境、安全、城市研究、监测等相关的若干应用提供了十分有用的信息。针对具有多光谱和高光谱数据的实际应用的开发,有必要为图像分析设计出更为高效的方法。本文将重点放在遥感图像分类中的特征提取和融合技术上,这是VHR多光谱和高光谱图像分类框架中最重要的一步。作为包含广泛的空间、时间、光谱和辐射分辨率的遥感数据中的主要应用之一,图像分类是遥感中的一项重要任务。它可以作为遥感领域大多数图像理解和表示的支点。像素级分类是遥感领域的重要研究课题,由于两方面的因素使其极具挑战性。首先,数据的光谱维度很大。其次,光谱特征的空间变化很大。因此,本文的总体目标是开发VHR多光谱和高光谱图像分类的新技术。本文提出的方法致力于提取和描述能够表示大光谱和空间信息的有用特征以提高分类性能,并在实际应用中得到良好的分类结果。本论文考虑以下三种不同的策略:1)第一种策略是开发用于高光谱和VHR多光谱图像分类的特征提取技术,以识别出有用的光谱和空间特征。这些特征针对预定义的类别有着很高的区分能力,且在给定场景的空间域中具有高度不变性。该特征提取策略基于两个提取器:扩展的多属性轮廓和稀疏自编码器。在第一个中,我们使用扩展多属性轮廓(EMAP)来提取空间特征。接着,我们使用稀疏自编码器(SAE)进行EMAP-SAE的特征提取和降维。最终得到的EMAP-SAE特征被用于支持向量机(SVM)的有监督分类。尽管这种方法具有很高的性能和速度,但我们发现这个过程失去了大量的光谱信息。为此,我们设计了第二种方法Spectral-EMAP-SAE来恢复光谱信息的损失以提高分类的性能。在这个方法中,扩展的多属性轮廓被用于空间特征的提取,之后空间特征被连接到一个给定的遥感图像的完全原始光谱信息来描述它的光谱空间特性。由此得到的特征被送入稀疏自编码器来提取更有效的混合特征。最后,通过SVM分类器来对所学到的光谱空间特征进行分类。2)第二种D-SS Frame(D-SS帧:深谱-空间帧)策略基于特征提取和融合技术,使用深度学习方法进行全色和多光谱图像分类。具体而言,所提出的方法使用稀疏自编码器和深层堆叠稀疏自编码器从同一场景的全色(PAN)和多光谱(MS)图像中提取和融合光谱及空间信息。所设计的框架分为三个阶段:第一阶段是利用稀疏自编码器从全色图像(高分辨率图像)中提取空间信息,第二阶段采用堆叠稀疏自动编码器(SSAE)描述多光谱图像(低分辨率图像)的光谱信息。最后,在第三阶段,直接将从全色和多光谱图像中获得的空间和光谱特征进行简单的特征融合,然后将其作为SVM分类器的输入。在采用同一传感器“WorldView-2卫星”采集的MS和PAN图像数据集上,对提出的方法进行实验验证。3)最后,第三种RS-MSSF Frame(RS-MSSF:遥感多光谱空间特征)策略是基于光谱特征和多空间特征提取对遥感图像进行光谱空间分类。除了使用堆叠稀疏自编码器提取的深度光谱特征外,还提取了两种不同类型的空间特征“形状-几何特征”和“纹理特征”。在我们的方法中,扩展多属性轮廓用于提取形状几何特征,快速灰度级共生矩阵(FGLCM)用于提取纹理特征。因此,光谱和多空间特征融合的结果被作为SVM分类器的输入。与本文提到的其他策略相比,这些高级特征的融合实现了高分类精度。此外,这种新的特征提取和融合过程适用于不同框架下的不同类型的遥感图像。
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP751

【相似文献】

相关期刊论文 前10条

1 马启明;;多光谱图像技术在食品品质检测中的应用研究[J];食品界;2017年04期

2 孙根云;张爱竹;王振杰;;基于数据场模型的多光谱图像边缘检测[J];东南大学学报(自然科学版);2013年S1期

3 ;我国研制出同时获取立体和多光谱图像方法[J];现代科学仪器;2011年02期

4 ;我国研制出同时获取立体和多光谱图像的方法[J];光学仪器;2011年03期

5 李婵;万晓霞;谢伟;李天庭;梁金星;;照明光源对多光谱图像采集精度影响的研究[J];激光杂志;2016年12期

6 李云;杨海清;;多光谱图像技术在土壤酸碱度检测中的应用[J];红外;2014年03期

7 黄云仙;李祥;艾未华;;多光谱图像的无损压缩方法[J];计算机工程与科学;2010年04期

8 李云松;孔繁锵;吴成柯;雷杰;;基于分布式信源编码的干涉多光谱图像压缩[J];光学学报;2008年08期

9 邓黎;李元祥;;基于整数小波变换的MODIS多光谱图像无损压缩[J];解放军理工大学学报(自然科学版);2007年01期

10 王海文;李杰;万晓霞;卢玲;阮渭平;寿伟克;毛立洪;李云霞;;面向高保真复现的多光谱图像融合算法[J];数字印刷;2019年02期

相关会议论文 前10条

1 孙根云;张爱竹;王振杰;;基于数据场模型的多光谱图像边缘检测[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

2 黄云仙;李祥;艾未华;;多光谱图像的无损压缩方法[A];2009第五届苏皖两省大气探测、环境遥感与电子技术学术研讨会专辑[C];2009年

3 陈海永;杨佳博;王庆;王涛;陈鹏;刘坤;;复杂背景太阳能电池片表面缺陷多光谱图像融合[A];2018中国自动化大会(CAC2018)论文集[C];2018年

4 邸(韦冿);;基于三维高斯马尔可夫随机场模型的多光谱图像目标自动检测[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

5 张宪伟;宋建社;张红蕾;廖增为;;SAR图像与多光谱图像融合方法研究[A];第三届全国数字成像技术及相关材料发展与应用学术研讨会论文摘要集[C];2004年

6 姜伟杰;孙明;孙洁琼;;基于光谱分析及光谱图像技术作物长势检测研究综述[A];纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集[C];2009年

7 刘吉平;郭艳柳;;一个基于惯量椭球的遥感图像匹配新算法[A];第十七届中国遥感大会摘要集[C];2010年

8 王海华;张彦娥;郭威;;基于多光谱图像的玉米营养监测技术研究[A];中国农业工程学会2011年学术年会论文集[C];2011年

9 蒋年德;王耀南;;基于小波包变换融合TM多光谱图像与SPOT全色图像[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

10 况军;罗建书;黄志雄;;基于三维自适应预测的多光谱图像的无损压缩算法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

相关重要报纸文章 前2条

1 记者 詹媛;首批高分辨率卫星影像图发布[N];光明日报;2013年

2 电子系;清华技术精准鉴别钞票真伪[N];新清华;2011年

相关博士学位论文 前10条

1 李婵;彩绘文物多通道光谱图像获取方法研究[D];武汉大学;2016年

2 潘之玮;基于图像融合的多光谱图像超分辨率重建算法[D];浙江大学;2019年

3 HANANE TEFFAHI;高光谱和多光谱图像分类的谱-空间特征提取技术[D];哈尔滨工业大学;2018年

4 陈书界;多光谱图像配准与去模糊方法研究[D];浙江大学;2018年

5 翟林;自适应多光谱图像稀疏逼近滤波算法研究[D];山东大学;2018年

6 张凯;基于稀疏矩阵分解的遥感图像融合[D];西安电子科技大学;2018年

7 隋延林;基于张量的多光谱图像云检测与在轨实时处理研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

8 金剑秋;多光谱图像的融合与配准[D];浙江大学;2005年

9 梁玮;基于光谱特性的多光谱图像压缩方法研究[D];西安电子科技大学;2014年

10 戎凯旋;基于投影替代与矩阵低秩稀疏分解的多光谱图像融合[D];西安电子科技大学;2016年

相关硕士学位论文 前10条

1 朱晨青;基于多光谱图像技术的迷彩面料颜色测量分析[D];江南大学;2019年

2 王飞翔;调理肉多光谱图像在线检测设备的设计与试验[D];河南科技大学;2019年

3 王志辉;印度币多光谱图像识别方法研究[D];华中科技大学;2019年

4 涂淑琪;基于卷积神经网络的多光谱图像分割技术研究[D];北京交通大学;2019年

5 张德钧;基于Faster R-CNN和多光谱图像的漂浮HNS检测与分类研究[D];浙江大学;2019年

6 杨骏锋;基于卷积神经网络的Pan-sharpening方法[D];厦门大学;2018年

7 何欣;多光谱图像深度特征描述与鲁棒匹配[D];北京邮电大学;2019年

8 闫昱光;基于多光谱图像的水稻估产模型研究[D];东北农业大学;2019年

9 HADI-LAI BAKARY;基于张量正则化框架的遥感多光谱图像降噪研究[D];重庆交通大学;2018年

10 刘贤文;多尺度几何分析和稀疏表示的多光谱图像融合方法[D];南京理工大学;2018年

，

本文编号：2654904