基于高层特征的光学遥感图像分类

发布时间：2021-02-07 07:33

　　光学遥感图像解译作为遥感地物分类、检测的重要研究分支,从早期的单一特征挖掘、特征提取、特征级分类处理阶段,研究者们将普通光学图像解译的手段迁移到光学遥感图像数据,一定程度上提高了分类精度、拓宽了光学遥感图像的实际应用领域。然而,光学遥感图像相比普通的光学图像具有更为丰富的表征信息,单一的底层特征难以满足现实场景的多样性,传统的特征挖掘分类方式存在底层特征覆盖不全面性、特征利用率较低、高层边缘特征捕获缺失、特征表达不够直观等问题。针对以上问题提出了一种高层特征提取和可视化的算法,通过与传统的底层特征处理算法和中层特征工程算法的对比分析,验证算法的可行性。具体研究内容如下:针对传统的底层特征和中层特征处理算法,本文采取改进型局部二值模式特征的编码方式来提高特征的有效性,同时筛选最优的特征级分类器来满足图像分类效果;结合流行学习算法来实现底层特征空间降维,捕获具有最高分类价值的特征信息空间,一定程度上提高特征的利用效率;在融合尺度不变特征的特征空间的基础上,结合超像素显著性特征来突出光学遥感图像的边缘特征信息,一定程度上弥补特征的不完备丢失。为了引入深度学习算法中的反卷积神经网络来提取高层特... 

【文章来源】：湖北工业大学湖北省

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 引言
    1.1 课题研究背景及意义
    1.2 光学遥感图像分类现状
        1.2.1 高层特征提取研究现状
        1.2.2 光学遥感图像分类研究现状
    1.3 研究的难题和挑战
    1.4 论文的研究内容及组织结构
    1.5 本章小结
第2章 特征提取及处理算法
    2.1 底层特征提取概述
        2.1.1 光谱特征提取
        2.1.2 纹理特征提取
        2.1.3 形状特征提取
    2.2 中层特征提取概述
        2.2.1 特征筛选
        2.2.2 特征融合
        2.2.3 特征重构
    2.3 高层特征提取概述
        2.3.1 全卷积特征提取
        2.3.2 反卷积特征提取
        2.3.3 特征可视化
    2.4 特征分类器原理
        2.4.1 SVM分类器
        2.4.2 KNN分类器
        2.4.3 RF分类器
    2.5 本章小结
第3章 光学遥感图像分类算法
    3.1 基于底层特征的光学遥感图像分类
        3.1.1 基于LBP算法的光学遥感图像分类
        3.1.2 基于改进型LBP算法的光学遥感图像分类
    3.2 基于中层特征的光学遥感图像分类
        3.2.1 结合流行学习算法的光学遥感图像分类
        3.2.2 结合超像素显著性特征的光学遥感图像分类
    3.3 基于高层特征的光学遥感图像分类
        3.3.1 多层反卷积结构
        3.3.2 多层反池化
        3.3.3 MDCNN网络结构构建
        3.3.4 MDCNN网络的训练与优化
    3.4 本章小结
第4章 基于改进型MDCNN的光学遥感图像分类算法
    4.1 空间金字塔结构
        4.1.1 空间金字塔池化
        4.1.2 多层金字塔反卷积
    4.2 基于软概率的反池化方法
        4.2.1 池化坐标
        4.2.2 软概率反池化
    4.3 基于改进型MDCNN的光学遥感图像分类
        4.3.1 改进型MDCNN网络结构搭建
        4.3.2 改进型MDCNN网络的训练与优化
    4.4 本章小结
第5章 实验结果与分析
    5.1 实验数据
    5.2 实验设置
    5.3 实验结果与分析
    5.4 本章小结
第6章 总结与展望
参考文献
致谢
附录 攻读硕士学位期间研究成果


【参考文献】：
期刊论文
[1]基于多尺度特征融合的单目图像深度估计[J]. 王泉德,张松涛.  华中科技大学学报(自然科学版). 2020(05)
[2]特征选择算法综述及进展研究[J]. 包芳,殷柯欣.  科技风. 2020(06)
[3]基于灰度图像特征的电选粉煤灰烧失量预测[J]. 陈师杰,李海生,陈英华,温晓龙,郑诚,王文平.  矿业研究与开发. 2020(02)
[4]改进LBP和HSV颜色直方图相结合的地表状态识别[J]. 孙艺珊,李晓洁,赵凯.  测绘通报. 2020(02)
[5]无人机遥感技术在精量灌溉中应用的研究进展[J]. 韩文霆,张立元,牛亚晓,史翔.  农业机械学报. 2020(02)
[6]基于支持向量机和逻辑回归的半监督空谱加权的高光谱图像分类（英文）[J]. 赵春晖,高冰,赵晨.  黑龙江大学工程学报. 2019(04)
[7]基于形状纹理特征的食管癌和肝包虫病图像分类[J]. 娜迪亚·阿卜杜迪克依木,姚娟,刘志华,严传波.  中国医学物理学杂志. 2019(12)
[8]融合多特征与随机森林的纹理图像分类方法[J]. 陈静,张艳新,姜媛媛.  传感器与微系统. 2019(12)
[9]基于K近邻字典的协同表示高光谱图像分类方法[J]. 郑鲜艳,陈湘,汪芝城,江帆.  湖北大学学报(自然科学版). 2019(06)
[10]基于高层特征图组合及池化的高分辨率遥感图像检索[J]. 葛芸,马琳,江顺亮,叶发茂.  电子与信息学报. 2019(10)

博士论文
[1]纹理图像特征提取与分类研究[D]. 许文韬.华东师范大学 2017
[2]图象检索中高层语义和低层可视特征的提取研究[D]. 万华林.中国科学院研究生院（计算技术研究所） 2002

硕士论文
[1]基于LBP和深度学习的SAR图像变化检测方法研究[D]. 冯春凤.中国矿业大学 2019
[2]基于空间金字塔池化的卷积神经网络图像分类算法[D]. 侯明伟.武汉大学 2018
[3]图像纹理特征提取及分类研究[D]. 王龙.中国海洋大学 2014
[4]基于颜色和形状特征的图像检索技术及其应用[D]. 潘永胜.太原理工大学 2014
[5]基于高层语义特征的图像检索关键技术研究[D]. 王继宗.吉林大学 2013
[6]光谱与纹理特征融合的遥感图像分类方法[D]. 张海涛.西安电子科技大学 2010



本文编号：3021907