基于高光谱图像多特征分析的目标提取研究

基于高光谱图像多特征分析的目标提取研究

论文摘要

高光谱遥感技术是上世纪80年代发展起来的一种新兴遥感技术,高光谱遥感技术借助成像光谱仪革命性地将成像技术和细分光谱技术结合在一起,能在电磁波谱的可见光、近红外、中红外和热红外波段范围内提供对地物光谱的精细探测,所获取的图像数据包含丰富的空间和光谱信息,为地物目标的精确探测和识别提供了可能。然而,相对于高光谱数据提供的巨大信息,当前的高光谱图像处理技术远远滞后于高光谱成像仪的发展,仍有许多问题急待进一步研究和解决。本文从高光谱图像图谱合一的特点出发,以典型地物和环境为研究对象,充分挖掘高光谱图像的内在特性,发展有效的图像分析工具,研究精度高鲁棒性强的目标探测与识别方法。论文首先对高光谱遥感技术的应用和研究发展状况进行了综述,在此基础上,分析了高光谱遥感图像应用中当前存在的主要问题,并针对高光谱图像分类和目标识别中存在的问题进行了研究。其次,论文研究了基于光谱分段的匹配和识别方法。在高光谱图像处理中,光谱匹配技术是高光谱地物识别的关键技术之一,光谱匹配通过比较反映地物光谱辐射特性的光谱曲线来识别地物的类别。目标的光谱辐射特性分散于整个成像光谱区域中,并且以不同尺度的吸收峰或吸收谷的形式分布。因此在提取目标的光谱辐射特性时,应考虑不同尺度上的目标吸收特性,采用多尺度分析方法全面地提取目标的光谱辐射特性。论文研究了多尺度小波变换在光谱特征提取和识别中的应用,提出了一种基于多尺度小波变换拐点提取的光谱分段匹配方法,该方法以高斯二阶导函数为小波基,通过多尺度变换分析提取谱线的最佳拐点,并基于最佳拐点实现谱线的分段匹配和识别。再次,针对高光谱图像中存在的阴影现象,论文从阴影的光谱特性分析入手,提出了一种基于密度聚类的多波段多特征阴影检测和提取方法。该方法从多个特征空间对阴影进行分析,采用动态阈值密度聚类方法对不同的特征数据进行分割,获得相应的阴影检测结果,在此基础上,结合不同特征空间检测结果的特点,提出了一种有效的多证据判决方法,实现了阴影判决结果的融合,取得了稳定的阴影提冉峁?为了有效消除阴影对高光谱图像分类和识别精度的影响,论文分析了现有的高光谱图像阴影去除方法,针对阴影信息弱的特点,提出了一种基于张量修复技术和辐射模型校正增强技术相结合的自适应阴影去除方法,该方法通过张量分析和投票技术推测阴影区域的光照和亮度统计特性,利用辐射传输模型对阴影区进行自适应增强处理,实现了对阴影的有效去除。论文最后利用高光谱图像图谱合一的特点,对典型地物道路的识别提取进行了研究,提出了一种基于光谱特征和几何特征相结合的道路识别和提取方法。该方法首先通过分析道路的光谱特征,利用光谱匹配方法提取道路潜在区域,然后结合道路的几何形态特征,利用数学形态学算子对潜在区域的几何特征进行进一步识别,实现了道路的有效提取。针对提取的道路可能受各种干扰因素影响而产生的断裂和不连续现象,论文采用基于张量的道路主方向提取和修复技术,实现了断裂的路连接修复,提高了道路提取的完整性。

论文目录

  • 摘要
  • Abstract
  • 1 绪论
  • 1.1 研究背景和意义
  • 1.2 国内外研究现状
  • 1.3 本文的主要贡献和结构安排
  • 2 基于多尺度小波变换的光谱分段匹配方法研究
  • 2.1 光谱识别和匹配技术
  • 2.2 基于多尺度小波变换提取拐点的光谱分段匹配方法
  • 2.3 实验结果与分析
  • 2.4 本章小结
  • 3 基于密度聚类分割的多波段多特征阴影检测和提取方法
  • 3.1 引言
  • 3.2 基于密度聚类分割的多波段多特征阴影检测和提取方法
  • 3.3 实验结果及分析
  • 3.4 本章小结
  • 4 基于张量修复和辐射校正增强的自适应阴影去除方法
  • 4.1 高光谱图像阴影去除
  • 4.2 张量技术
  • 4.3 基于张量分析和辐射传输模型的阴影去除算法
  • 4.4 实验结果及分析
  • 4.5 本章小结
  • 5 基于图谱特征分析的道路提取方法研究
  • 5.1 引言
  • 5.2 基于光谱特征和几何特征的道路提取
  • 5.3 实验结果与分析
  • 5.4 本章小结
  • 6 全文总结
  • 致谢
  • 参考文献
  • 附录 1 攻读博士学位期间发表的论文与主要科研成果
  • 附录 2 文中主要英文缩写对照表
  • 相关论文文献

    • [1].基于深度学习的高光谱图像分类算法[J]. 传感器与微系统 2020(07)
    • [2].基于生成对抗网络的高光谱图像分类[J]. 计算机工程与应用 2019(22)
    • [3].深度学习在高光谱图像分类领域的研究现状与展望[J]. 自动化学报 2018(06)
    • [4].基于高光谱图像技术的水果表面农药残留检测观察[J]. 种子科技 2017(04)
    • [5].高光谱图像技术在农产品监测中的应用进展[J]. 北京农业 2016(01)
    • [6].粮油中高光谱图像技术的应用现状[J]. 粮食与饲料工业 2016(09)
    • [7].基于核方法协同表示的高光谱图像分类[J]. 广西大学学报(自然科学版) 2019(05)
    • [8].基于快速去噪和深度信念网络的高光谱图像分类方法[J]. 桂林电子科技大学学报 2016(06)
    • [9].局部保护降维与高斯混合模型的高光谱图像分类[J]. 工业仪表与自动化装置 2017(04)
    • [10].高光谱图像技术在水果品质检测中的研究进展[J]. 食品研究与开发 2013(10)
    • [11].高光谱图像技术在食品无损检测中的研究进展[J]. 食品工业科技 2012(15)
    • [12].基于3D卷积联合注意力机制的高光谱图像分类[J]. 红外技术 2020(03)
    • [13].高光谱图像分类方法研究进展[J]. 新产经 2020(04)
    • [14].高光谱图像分类的研究进展[J]. 光学精密工程 2019(03)
    • [15].基于空-谱加权总变分的高光谱图像混合噪声去除算法[J]. 德州学院学报 2017(04)
    • [16].基于低秩结构提取的高光谱图像压缩表示[J]. 电子与信息学报 2016(05)
    • [17].高光谱图像稀疏信息处理综述与展望[J]. 遥感学报 2016(05)
    • [18].高光谱图像技术在水果无损检测中的研究进展[J]. 激光与红外 2013(09)
    • [19].基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报 2020(02)
    • [20].针对高光谱图像的目标分类方法现状与展望[J]. 激光与红外 2020(03)
    • [21].基于鱼群算法的高光谱图像稀疏分解研究[J]. 计算机仿真 2020(01)
    • [22].基于自适应主动学习与联合双边滤波的高光谱图像分类[J]. 计算机科学 2018(12)
    • [23].浅谈高光谱图像融合方法[J]. 科技风 2019(16)
    • [24].拉普拉斯约束低秩表示的高光谱图像异常检测[J]. 光谱学与光谱分析 2018(11)
    • [25].基于焦点损失的半监督高光谱图像分类[J]. 计算机应用 2020(04)
    • [26].基于空谱联合协同表征的高光谱图像分类算法[J]. 计算机工程与设计 2020(03)
    • [27].基于关联规则的含噪高光谱图像分类系统[J]. 激光杂志 2018(12)
    • [28].基于改进的局部保持投影高光谱图像分类研究[J]. 计算机应用研究 2017(08)
    • [29].不变矩在高光谱图像空谱分类中的应用研究[J]. 小型微型计算机系统 2017(07)
    • [30].基于谱聚类波段选择的高光谱图像分类[J]. 光电工程 2012(02)

    标签:;  ;  ;  ;  ;  ;  ;  ;  

    基于高光谱图像多特征分析的目标提取研究
    下载Doc文档

    猜你喜欢