基于彩绘文物高光谱图像降维与融合的隐含信息挖掘方法

发布时间：2021-09-25 12:51

　　彩绘文物种类丰富、色彩绚丽,是我国文化遗产的重要组成部分,具有丰富的历史价值和科学研究价值。近年来,高光谱成像技术以无损、“图谱合一”的特点,能够对文物进行全面地记录与分析。在彩绘文物的研究中,利用高光谱图像挖掘隐含信息是一个研究热点,对文物保护分析具有重要意义。特征提取作为高光谱数据常用的降维方法,可以从彩绘文物高光谱数据中挖掘隐含信息。而现有面向隐含信息特征提取的方法以线性变换为主,彩绘文物高光谱图像具有非线性特点,为了更好地提取隐含信息,尝试利用非线性变换进行特征提取。本文深入研究了基于神经网络的特征提取方法,并结合图像融合,获得了较令人满意的结果。本文的主要贡献有:（1）.针对彩绘文物数据图案信息复杂、样式丰富且无法获得隐含信息标签的特点,设计了多尺度残差卷积-解卷积特征提取网络。为自适应不同数据特点,本文在卷积-解卷积无监督网络框架的基础上,引入了多尺度模块,并设计了完整的网络,在特征提取的同时使特征集中且能可视化。最后将挖掘到的隐含信息与真彩色图像融合,通过对比综合展示隐含信息与波段光谱信息。实验结果表明,该方法能在一定程度上更清晰、准确地挖掘彩绘文物隐含信息。（2）.针对... 

【文章来源】：西北大学陕西省 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

彩绘文物高光谱图像

Mou L.等人提出了一种无监督网络在特征图中激活了遥感图像中的不同区域本章根据彩绘文物数据的特点，设计了一种多尺度残差卷积-解卷积(Multiscale ResiduaConv-Deconv, MRCD)网络用来挖掘彩绘文物的隐含图案信息，并将挖掘到的信息融合在真彩色图像上，便于研究人员分析与研究彩绘文物隐含信息。3.2 基于深度残差卷积-解卷积网络的特征提取在利用有监督的网络进行分类任务时，训练样本的收集是费时、费力的。因此，无监督的特征提取方法是十分有意义的。Mou L.等人提出了一种深度残差卷积-解卷积(Deep Residual Conv-Deconv, DRCD)无监督网络用来提取高光谱数据的光谱-空间特征端到端的 Conv-Deconv 网络在遥感领域内首次被提出[56]。在该无监督网络中，高级特征的表示可以有效地保留高光谱数据的邻域关系和空间局部性，而传统的一维全连接无监督网络(如自编码器、深度置信网和玻尔兹曼机)很难充分利用这些信息。DRCD 网络结构如图 10 所示：卷积子网络(编码) 解卷积子网络(解码)

西北大学硕士学位论文残差模块组成，残差模块中卷积层的设计思想来源于 VGG 网络积核串联的方式，增加了网络的非线性，便于提取更丰富的特征子网络呈对称结构，当解卷积子网络的输出与原始数据误差最小卷积子网络的输出代表了原始数据的抽象特征。为了减小池化操网络使用了 GoroshinR.等人[57]计算 max 和 argmax 的方法，在池受野内最大值的同时计算最大值的索引。反池化的操作流程如


本文编号：3409776