基于深度学习的高光谱图像融合分类技术研究
发布时间：2022-01-08 05:51
随着传感器技术的不断发展,海量的多平台与多模态数据得以被获取。其中,以高光谱图像为代表的高体量数据能够对观测对象实现空间、光谱、辐射等多方面信息的同步获取,促使客观世界的描述呈现出多尺度、多角度、多维度的新特性。目前,利用高光谱数据进行物质分类及目标检测的相关研究虽然已成功运用于农业监测、灾害预警以及医学检测等领域,如何抽取高价值数据特性,提高高光谱观测区的信息解译及分类准确性,仍旧是一项充满挑战性的课题。此外,高光谱数据呈现出强谱间弱空间的分辨率特性,利用单源高光谱数据信息,限制了大量面向空间分辨率以及辐射信息呈现敏感特性的应用。围绕高光谱数据,协同更多信息源并综合利用各类数据之间的合作性及互补性,在信息智能融合基础之上完成观测目标的精准解译及精确分类,是具有重要研究意义和广泛应用前景的课题。本文以高光谱图像为核心,围绕高光谱图像空谱特征融合分类、高光谱图像与高分辨率可见光图像融合分类、以及高光谱图像与激光雷达图像融合分类展开研究。针对高光谱分类以及围绕高光谱为核心的多源遥感融合分类当前面临的问题,深度剖析不同融合分类技术的可行性,以AVIRIS、ROSIS、以及AISA Eagle...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：158 页
【学位级别】：博士
【部分图文】：
图１－２高光谱图像分类方法??Ｆｉｇ．?１－２?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｓｔｒａｔｅｇｉｅｓ??
｜多源信息综合性＆多元特征灵活性?｜小样本问题＆深度协同＆联合特征??辱辱．??４??｜??｜??决条级???特征级??跨域学习—??Ｉ＼［Ｅ￥ｍ＼?ＥＨＨ］?ｒｗｉ?｜??丨Ｉ高吾丨气光丨￣￣ＪＴＩ＿＿：?｜?ｌ尺度７通道｜?Ｉ??Ｉ?．．．埤类」…鮮」?Ｉ丨［」?多隐层特征???Ｉ??１?＂?＿＿?ｉ??＾多通道特征＿＾分类?｜??｜丨ＳＩ．Ｔ＇Ｃ决策融合及４类丨Ｉ?ＣＫ－ＳＶＭ融合及分类Ｉ?丨Ｉ信息运整度Ｉ厂ｎ结果丨??服小制约??图１－３论文整体结构??Ｆｉｇ．?１－３?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｅ?ｄｉｓｓｅｒｔａｔｉｏｎ??１７??
其后分别匹配了六个卷积模块用以提取每种输入的特征，最终实施特征整合并完成最??终分类。??Ｉ多形变体?ＩＩ特征提取器??Ｐｒ?网！疗１备…？韦??１?Ｒｅｇｉｏｎ?ｌ｜Ｖ＾｜?〇?〇〇?｜?全连接网＾??（１：露請Ｉ．??Ｉ?！?：?Ｉ?Ｂｏｔｔｏｍ?１１?ｎ?！響＾￣響??—ｈ?冒｜ｉ?Ｒｅｇｉｏｎ?丨＼＞｜?〇＾Ｖ．．．；…＋?Ｖ．?Ｊ??１１；：：＾?ｊ?Ｉ?〇?〇?〇??？待分类像素｜＿Ｕ?■丨％?ｎ?Ｉ??□空间邻域像素｜丨丨ｆ??Ｌ：：：?】４上＿？＿」??图２－１?ＤＲ－ＣＮＮ总体框架图??Ｆｉｇ．?２－１?Ｔｈｅ?ｗｈｏｌｅ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ＤＲ－ＣＮＮ??本章在网络设计及输入构建过程中充分考虑了输入节点数目对网络设计效果的??影响，我们认为，输入节点的数量过少可能使得一个设计良好的网络难以利用更深更??广的拓扑结构进一步提升其性能，而深度及广度充分的网络有助于深度挖掘及整合高??光谱数据的频谱空间信息。在以Ｌｅｅ和Ｋｗｏｎ提出的ＣＤ－ＣＮＮ［Ｕ５１为代表的高光谱空??谱联合分类研究中，固定大小的方形窗是常见空间特征提取算子的输入。然而，单一??且固定尺度的正方形输入并不适用于具有复杂场景分布的数据分析任务，其特征提取??过程的受众（输入节点）样态是单一的，Ｌｅｅ和Ｋｗ〇ｎ［ｌｌ５ｌ提出的ＣＤ－ＣＮＮ不能充分利用??高光谱数据中特定像素周围丰富的语义上下文属性，造成信息的大量丢失。即便加深??ＣＤ－ＣＮＮ的网络设计，该方法的单一输入块中的抽象信息也很难得到完整发掘，甚至??因模型过深而陷入过拟合问题中。实际上，纵观现有基于ＣＮＮ的分类方法，大多数??方法选择使用单一输入体系结构（例
【参考文献】：
期刊论文
[1]基于核半监督判别分析的高光谱影像特征提取[J]. 张鹏强,谭熊,余旭初,魏祥坡,薛志祥. 测绘科学技术学报. 2016(03)
[2]遥感数据融合的进展与前瞻[J]. 张良培,沈焕锋. 遥感学报. 2016(05)
[3]加权空-谱与最近邻分类器相结合的高光谱图像分类[J]. 黄鸿,郑新磊. 光学精密工程. 2016(04)
[4]一种基于纹理和光谱特征的高光谱影像信息向量机分类方法[J]. 尹明,谭熊,张鹏强,徐卫霄. 测绘科学技术学报. 2015(04)
[5]高光谱目标探测的进展与前沿问题[J]. 张良培. 武汉大学学报(信息科学版). 2014(12)
[6]冷色调图像的灰度化及其客观评价方法[J]. 徐晓庆,王亦红. 计算机工程与设计. 2014(08)
[7]结合APO算法的高光谱图像波段选择[J]. 王立国,魏芳洁. 哈尔滨工业大学学报. 2013(09)
[8]基于灰度共生矩阵的织物图像分析[J]. 卢易枫. 工业控制计算机. 2013(09)
[9]光谱遥感技术在找矿中的应用[J]. 万佳明. 矿业装备. 2013(08)
[10]独立分量分析在高光谱遥感图像处理中的应用综述[J]. 田野,张朝柱,王启宇,祖大鹏. 哈尔滨师范大学自然科学学报. 2012(06)
博士论文
[1]基于空谱特征挖掘的高光谱图像分类方法研究[D]. 刘务.哈尔滨工程大学 2018
[2]多源时—空—谱光学遥感影像的变分融合方法[D]. 孟祥超.武汉大学 2017
[3]高光谱图像特征提取与分类方法研究[D]. 任越美.西北工业大学 2017
[4]高光谱遥感数据特征提取与特征选择方法研究[D]. 魏峰.西北工业大学 2015
[5]多源遥感信息融合技术及多源信息在地学中的应用研究[D]. 韩玲.西北大学 2005
硕士论文
[1]高光谱图像特征提取和分类方法研究[D]. 刘悦.天津工业大学 2018
[2]基于深度神经网络的多/高光谱与高程数据联合分类研究[D]. 李春阳.哈尔滨工业大学 2017
[3]基于深度学习的高光谱图像分类算法的研究[D]. 王凡.中国科学技术大学 2017
[4]高光谱图像数据分布式分类处理方法研究[D]. 余意.哈尔滨工业大学 2017
[5]面向分类的多/高光谱与SAR图象协同处理技术研究[D]. 赵宏磊.哈尔滨工业大学 2011
[6]高光谱遥感图像融合技术与质量评价方法研究[D]. 马一薇.解放军信息工程大学 2010
[7]多传感器数据协同分类技术研究[D]. 周阳.哈尔滨工业大学 2009
[8]高光谱与高空间分辨率遥感图像融合算法研究[D]. 亓辰.哈尔滨工业大学 2008
本文编号：3576008
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：158 页
【学位级别】：博士
【部分图文】：
图１－２高光谱图像分类方法??Ｆｉｇ．?１－２?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?ｉｍａｇｅ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｓｔｒａｔｅｇｉｅｓ??
｜多源信息综合性＆多元特征灵活性?｜小样本问题＆深度协同＆联合特征??辱辱．??４??｜??｜??决条级???特征级??跨域学习—??Ｉ＼［Ｅ￥ｍ＼?ＥＨＨ］?ｒｗｉ?｜??丨Ｉ高吾丨气光丨￣￣ＪＴＩ＿＿：?｜?ｌ尺度７通道｜?Ｉ??Ｉ?．．．埤类」…鮮」?Ｉ丨［」?多隐层特征???Ｉ??１?＂?＿＿?ｉ??＾多通道特征＿＾分类?｜??｜丨ＳＩ．Ｔ＇Ｃ决策融合及４类丨Ｉ?ＣＫ－ＳＶＭ融合及分类Ｉ?丨Ｉ信息运整度Ｉ厂ｎ结果丨??服小制约??图１－３论文整体结构??Ｆｉｇ．?１－３?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｅ?ｄｉｓｓｅｒｔａｔｉｏｎ??１７??
其后分别匹配了六个卷积模块用以提取每种输入的特征，最终实施特征整合并完成最??终分类。??Ｉ多形变体?ＩＩ特征提取器??Ｐｒ?网！疗１备…？韦??１?Ｒｅｇｉｏｎ?ｌ｜Ｖ＾｜?〇?〇〇?｜?全连接网＾??（１：露請Ｉ．??Ｉ?！?：?Ｉ?Ｂｏｔｔｏｍ?１１?ｎ?！響＾￣響??—ｈ?冒｜ｉ?Ｒｅｇｉｏｎ?丨＼＞｜?〇＾Ｖ．．．；…＋?Ｖ．?Ｊ??１１；：：＾?ｊ?Ｉ?〇?〇?〇??？待分类像素｜＿Ｕ?■丨％?ｎ?Ｉ??□空间邻域像素｜丨丨ｆ??Ｌ：：：?】４上＿？＿」??图２－１?ＤＲ－ＣＮＮ总体框架图??Ｆｉｇ．?２－１?Ｔｈｅ?ｗｈｏｌｅ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ＤＲ－ＣＮＮ??本章在网络设计及输入构建过程中充分考虑了输入节点数目对网络设计效果的??影响，我们认为，输入节点的数量过少可能使得一个设计良好的网络难以利用更深更??广的拓扑结构进一步提升其性能，而深度及广度充分的网络有助于深度挖掘及整合高??光谱数据的频谱空间信息。在以Ｌｅｅ和Ｋｗｏｎ提出的ＣＤ－ＣＮＮ［Ｕ５１为代表的高光谱空??谱联合分类研究中，固定大小的方形窗是常见空间特征提取算子的输入。然而，单一??且固定尺度的正方形输入并不适用于具有复杂场景分布的数据分析任务，其特征提取??过程的受众（输入节点）样态是单一的，Ｌｅｅ和Ｋｗ〇ｎ［ｌｌ５ｌ提出的ＣＤ－ＣＮＮ不能充分利用??高光谱数据中特定像素周围丰富的语义上下文属性，造成信息的大量丢失。即便加深??ＣＤ－ＣＮＮ的网络设计，该方法的单一输入块中的抽象信息也很难得到完整发掘，甚至??因模型过深而陷入过拟合问题中。实际上，纵观现有基于ＣＮＮ的分类方法，大多数??方法选择使用单一输入体系结构（例
【参考文献】：
期刊论文
[1]基于核半监督判别分析的高光谱影像特征提取[J]. 张鹏强,谭熊,余旭初,魏祥坡,薛志祥. 测绘科学技术学报. 2016(03)
[2]遥感数据融合的进展与前瞻[J]. 张良培,沈焕锋. 遥感学报. 2016(05)
[3]加权空-谱与最近邻分类器相结合的高光谱图像分类[J]. 黄鸿,郑新磊. 光学精密工程. 2016(04)
[4]一种基于纹理和光谱特征的高光谱影像信息向量机分类方法[J]. 尹明,谭熊,张鹏强,徐卫霄. 测绘科学技术学报. 2015(04)
[5]高光谱目标探测的进展与前沿问题[J]. 张良培. 武汉大学学报(信息科学版). 2014(12)
[6]冷色调图像的灰度化及其客观评价方法[J]. 徐晓庆,王亦红. 计算机工程与设计. 2014(08)
[7]结合APO算法的高光谱图像波段选择[J]. 王立国,魏芳洁. 哈尔滨工业大学学报. 2013(09)
[8]基于灰度共生矩阵的织物图像分析[J]. 卢易枫. 工业控制计算机. 2013(09)
[9]光谱遥感技术在找矿中的应用[J]. 万佳明. 矿业装备. 2013(08)
[10]独立分量分析在高光谱遥感图像处理中的应用综述[J]. 田野,张朝柱,王启宇,祖大鹏. 哈尔滨师范大学自然科学学报. 2012(06)
博士论文
[1]基于空谱特征挖掘的高光谱图像分类方法研究[D]. 刘务.哈尔滨工程大学 2018
[2]多源时—空—谱光学遥感影像的变分融合方法[D]. 孟祥超.武汉大学 2017
[3]高光谱图像特征提取与分类方法研究[D]. 任越美.西北工业大学 2017
[4]高光谱遥感数据特征提取与特征选择方法研究[D]. 魏峰.西北工业大学 2015
[5]多源遥感信息融合技术及多源信息在地学中的应用研究[D]. 韩玲.西北大学 2005
硕士论文
[1]高光谱图像特征提取和分类方法研究[D]. 刘悦.天津工业大学 2018
[2]基于深度神经网络的多/高光谱与高程数据联合分类研究[D]. 李春阳.哈尔滨工业大学 2017
[3]基于深度学习的高光谱图像分类算法的研究[D]. 王凡.中国科学技术大学 2017
[4]高光谱图像数据分布式分类处理方法研究[D]. 余意.哈尔滨工业大学 2017
[5]面向分类的多/高光谱与SAR图象协同处理技术研究[D]. 赵宏磊.哈尔滨工业大学 2011
[6]高光谱遥感图像融合技术与质量评价方法研究[D]. 马一薇.解放军信息工程大学 2010
[7]多传感器数据协同分类技术研究[D]. 周阳.哈尔滨工业大学 2009
[8]高光谱与高空间分辨率遥感图像融合算法研究[D]. 亓辰.哈尔滨工业大学 2008
本文编号：3576008
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3576008.html
