面向高分辨率图像场景分类的特征提取与选择研究

发布时间：2020-06-08 01:14

【摘要】：随着遥感设备和技术的快速发展,我们可以通过多光谱/高光谱图像和合成孔径雷达来得到更多深入观察地球的机会。遥感设备帮助我们捕捉到越来越多不同类型、不同分辨率(空间分辨率、光谱分辨率和时间分辨率)的机载或卫星图像。这些图像的高维度成为甚高分辨率(Very High Resolution,VHR)场景分类的巨大挑战之一,同时也要求采用更有效的方法来实现土地利用及覆盖的图像场景分类,这也是遥感图像领域中最重要的任务之一。VHR图像场景分类中最重要的一步是特征提取,它将图像场景表示成特征向量的形式。根据像素级/图像级的表示可以将已有的VHR图像场景描述方法分成三类,这些方法都直接依赖于图像场景的全局表示。本文我们关注于VHR图像场景分类中的特征提取方法,提出能够对VHR图像场景中带有不同几何性质的区域如机场、建筑、森林等进行准确分类的技术。目前已有若干应用与监控人类活动下的自然环境密切相关,而VHR图像则为他们提供了非常有用的信息。VHR图像场景分类致力于提取能够表示目标区域的特征,但与VHR图像相关的大规模数据却使得分类问题变得非常复杂,而目前可用的方法仍然不足以来分析这类遥感数据。基于此,为了增强自动提取VHR图像场景中有用特征的能力,本文的总体目标是提出创新的技术来对VHR图像进行分析和分类。具体来讲,本文主要考虑以下几个问题:(1)如何从大量的VHR数据中得到优异的特征表示,这对于VHR图像场景分析而言仍然是一个重要的任务。为了提取更为有效鲁棒的特征来对图像场景进行分类,我们提出了一个基于稀疏手工特征选择的VHR场景分类方法。首先,我们通过手工设计的方法从原始的VHR图像中提取局部特征来构造一个视觉词典。接着,稀疏主成分分析法(sparse Principal Component Analysis,s PCA)被用于从这个视觉词典中学习对应于每一类的代表特征集合。最后,我们采用这些稀疏的低层特征来表示图像场景。(2)针对VHR图像分类任务,我们提出了一种称为显著块采样的方法。实际应用中,s PCA稀疏主成分分析法被用来为图像场景表示选择对应的显著块。这种方法在场景理解中是十分高效和鲁棒的。(3)根据特定的语义类别集合来标注VHR图像场景是一件十分重要的任务。考虑到属于同一类别的地表可能有着非常大的变化,且目标可能出现在不同的尺度和方向上,我们提出了一个基于CNN模型的VHR图像语义分类方法。首先,我们采用在Image Net数据集上预训练的VGG模型来对原始的VHR图像提取特征。接着,VGG网络的全连接层输出将被联合起来形成VHR图像场景的最终表示。之后,我们采用基于判别相关分析的特征融合策略来对VGG网络提取的原始特征进行优化。相较于传统的特征融合策略,这种融合方法效率更高。(4)尽管已经存在一些工作利用深度特征来对VHR图像场景进行表示,但是如何优化从CNN模型到VHR图像场景理解的迁移过程依然是一个十分具有挑战性的问题。我们提出了一个简单高效的方法来探索CNN网络不同层的优势。为了表示VHR图像内容的语义和背景信息,我们采用CNN模型来从原始的VHR图像场景中提取特征。接着,我们采用基于编码的方法在CNN模型的卷积层特征上生成对应于输入图像的视觉单词。我们对VHR图像场景分类的相关文献进行了深入的研究,并在2.1节就现有方法的局限性进行了说明。为了解决这些问题,我们提出了若干创新方法,并在真实遥感图像上进行了实验验证。大量的实验结果表明,本文所提出的方法在VHR图像场景分类任务上是十分有效的。
【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 陈辉;;浅议车牌识别中字符的特征提取方法[J];科技传播;2009年05期

2 徐德友,胡寿松;利用粗集上近似处理特征提取中的噪声问题[J];南京理工大学学报(自然科学版);2002年S1期

3 佟德纯;王永兴;;一种新的齿轮状态的分类识别方法—CEP-AR特征提取与分类[J];振动与冲击;1988年03期

4 罗斌;黄端旭;;皮肤癌表面图象特征提取[J];安徽大学学报(自然科学版);1989年03期

5 王仁华;宋原章;;汉语孤立音节的分段研究[J];信号处理;1989年02期

6 杨小军;;图片特征提取[J];中小企业管理与科技(中旬刊);2017年03期

7 武弘;;六种常用的网络流量特征提取工具[J];计算机与网络;2017年06期

8 李晋徽;杨俊安;王一;;一种新的基于瓶颈深度信念网络的特征提取方法及其在语种识别中的应用[J];计算机科学;2014年03期

9 唐朝霞;;一种基于特征提取的简答题阅卷算法[J];湖南工程学院学报(自然科学版);2010年01期

10 曹国辉;;车辆特征提取方法综述[J];中国水运(理论版);2006年03期

相关会议论文 前10条

1 王纪凯;王鹏;张启彬;陈宗海;;激光数据特征提取与学习方法[A];第17届中国系统仿真技术及其应用学术年会论文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

3 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

4 路文焕;曲悦欣;杨亚龙;王建荣;党建武;;用于无声语音接口的超声图像的混合特征提取[A];第十三届全国人机语音通讯学术会议(NCMMSC2015)论文集[C];2015年

5 徐继伟;李建中;柳勃;杨昆;;使用支持向量机和改进特征提取方法的蛋白质分类[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

6 刘德刚;邵国凡;;高维遥感数据分析的特征提取方法[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年

7 许强;杨佳;;基于线性加权的免疫克隆算法的手指静脉特征提取[A];中国自动化学会控制理论专业委员会B卷[C];2011年

8 高学;金连文;尹俊勋;;基于笔划密度的弹性网格特征提取方法[A];2001年中国智能自动化会议论文集（上册）[C];2001年

9 白真龙;霍强;;在联机手写中文识别中一种针对8方向特征提取的改进算法[A];中文信息处理前沿进展——中国中文信息学会二十五周年学术会议论文集[C];2006年

10 杜栓平;丁烽;杨华;;基于小波系数聚类的特征提取器[A];中国声学学会2002年全国声学学术会议论文集[C];2002年

相关重要报纸文章 前3条

1 宇航智控;预测与健康管理(PHM)技术[N];中国航空报;2018年

2 记者 贾玎玎;北京纺控主营业务收入增长11.39%[N];首都建设报;2015年

3 中国信息通信研究院泰尔终端实验室 曾晨曦 段虎才;深度学习框架的前世今生[N];人民邮电;2018年

相关博士学位论文 前10条

1 苏雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率图像场景分类的特征提取与选择研究[D];哈尔滨工业大学;2018年

2 温柳英;多模态数据特征提取的粒计算方法研究与应用[D];西南石油大学;2017年

3 李文娟;基于局部特征提取的人脸识别方法研究[D];天津大学;2017年

4 王振宇;面向人脸识别的特征提取技术应用研究[D];东南大学;2016年

5 马丽红;复杂背景下人脸的定位和特征提取[D];华南理工大学;1999年

6 谢平;故障诊断中信息熵特征提取及融合方法研究[D];燕山大学;2006年

7 张绍武;基于支持向量机的蛋白质分类研究[D];西北工业大学;2004年

8 李建生;图像元数据特征提取及其在检索中的应用[D];南京师范大学;2006年

9 刘靖;基于视觉特征提取和核判决分析方法的人脸识别[D];四川大学;2006年

10 郑宇杰;特征提取方法及其应用研究[D];南京理工大学;2007年

相关硕士学位论文 前10条

1 祖颖;基于特征提取的聚类方法研究及其实现[D];江南大学;2018年

2 孙汉林;基于同时进行目标检测与特征提取的深度学习网络的在线多目标行人跟踪[D];浙江大学;2018年

3 张翔;基于分布式计算的脉冲星搜索加速及脉冲星候选体特征提取和识别方法研究与实现[D];贵州师范大学;2018年

4 张云彦;现代审美下的唐韵特征提取与可视化研究[D];陕西科技大学;2018年

5 张猛;面向图像分类的CNN特征提取和结构优化[D];新疆大学;2018年

6 冉祥锋;变工况下风电机组齿轮箱故障特征提取及诊断方法研究[D];新疆大学;2018年

7 吕世鹏;基于集合经验模态分解的转子故障特征提取和分类识别[D];新疆大学;2018年

8 徐志宽;基于LMD方法的变形数据特征提取与多尺度变形预测研究[D];东华理工大学;2018年

9 张晓锋;卷积深度置信网络在文本识别中的应用研究[D];西安理工大学;2018年

10 方宗;基于深度学习和演化策略的3D艺术创作研究[D];湖北工业大学;2018年

，

本文编号：2702292