【摘要】：高光譜遙感影像包含了關(guān)于地表物質(zhì)的豐富空間、輻射和光譜三重信息,在遙感信息處理中的地位日益凸顯,已被廣泛用于城市地物分類(lèi)、環(huán)境監(jiān)測(cè)、軍事目標(biāo)識(shí)別等諸多領(lǐng)域。然而,傳統(tǒng)的遙感信息處理技術(shù)在解譯高光譜遙感影像時(shí)面臨著諸多問(wèn)題和挑戰(zhàn):如何有效利用高光譜影像提供的多重信息、如何解決小樣本分類(lèi)的性能瓶頸等問(wèn)題。本文從高光譜遙感影像的自身特點(diǎn)出發(fā),在總結(jié)現(xiàn)有遙感信息處理技術(shù)的基礎(chǔ)上,研究如何從高光譜遙感影像中獲取判別力強(qiáng)的三維空譜特征,并進(jìn)一步將多種空譜一體化特征進(jìn)行融合,實(shí)現(xiàn)地物的有效分類(lèi)�，F(xiàn)有的空譜特征提取方法大多是將不同波段的空間特征機(jī)械地組合起來(lái),沒(méi)有充分利用高光譜遙感影像空譜結(jié)構(gòu)中的上下文信息。針對(duì)這一問(wèn)題,本文提出了一種基于三維局部二值模式(Local Binary Patterns,LBP)的高光譜遙感影像空譜特征提取方法。該方法利用模式統(tǒng)計(jì)的方式對(duì)獲得的三維LBP編碼特征進(jìn)行歸約,建立面向三維拓?fù)浣Y(jié)構(gòu)的稠密編碼模式來(lái)代替?zhèn)鹘y(tǒng)的加權(quán)編碼,使三維LBP編碼模型具有旋轉(zhuǎn)不變性,提升特征的鑒別力。此外,通過(guò)引入松弛變量實(shí)現(xiàn)三維LBP編碼模型中閾值操作的模糊處理,消除噪聲以及同類(lèi)地物由于反射值分布不勻勻帶來(lái)的影響,提升了三維LBP編碼特征的魯棒性。實(shí)驗(yàn)結(jié)果表明,基于三維LBP編碼的高光譜遙感影像空譜特征提取方法能夠有效利用高光譜影像空譜結(jié)構(gòu)中的上下文語(yǔ)義,顯著提升小樣本分類(lèi)的性能。另一方面,不同的三維空譜特征提取方法得到的特征具有各自不同的適用特性。具體來(lái)說(shuō),三維Gabor特征對(duì)影像中的光照和陰影有較好的魯棒性,三維形態(tài)學(xué)特征能夠有效地捕捉影像中地物的形狀特征,而三維局部二值模式對(duì)影像中的空間特征具有較好的表征能力。由于這三種特征分別從光照魯棒性、地物形狀、空間關(guān)系三個(gè)層面表征高光譜影像中關(guān)于地物的三種不同屬性,因此它們對(duì)高光譜影像中的地物區(qū)分能力存在差異和互補(bǔ)性。基于此,本文提出了一種基于稀疏決策融合的高光譜遙感影像三維空譜特征分類(lèi)方法。該方法通過(guò)稀疏表示對(duì)上述三類(lèi)空譜特征進(jìn)行決策融合,整合它們之間的優(yōu)點(diǎn),實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。實(shí)驗(yàn)表明,基于稀疏決策融合的高光譜遙感影像三維空譜特征分類(lèi)方法能夠充分發(fā)揮三種空譜特征的優(yōu)勢(shì),進(jìn)一步改善了高光譜遙感影像的小樣本分類(lèi)性能。
[Abstract]:Hyperspectral remote sensing images contain rich spatial, radiative and spectral information about surface matter. They play an increasingly important role in remote sensing information processing, and have been widely used in the classification of urban features and environmental monitoring. Military target recognition and many other fields. However, the traditional remote sensing information processing technology is faced with many problems and challenges in interpreting hyperspectral remote sensing images: how to effectively utilize the multiple information provided by hyperspectral images and how to solve the performance bottleneck of small sample classification. Based on the characteristics of hyperspectral remote sensing images and the existing remote sensing information processing techniques, this paper studies how to obtain the discriminant 3D spatial spectrum features from hyperspectral remote sensing images. Furthermore, various spatial spectral features are fused to realize the effective classification of ground objects. Most of the existing space-spectrum feature extraction methods combine spatial features of different bands mechanically and do not make full use of the context information in the spatial spectral structure of hyperspectral remote sensing images. In order to solve this problem, a novel spatial spectral feature extraction method for hyperspectral remote sensing images based on 3D local binary mode (Local Binary Patterns,LBP) is proposed. In this method, the obtained 3D LBP coding features are reduced by pattern statistics, and a dense coding pattern oriented to 3D topology is established to replace the traditional weighted coding, which makes the 3D LBP coding model rotation-invariant. Enhance the ability to identify features. In addition, the fuzzy processing of threshold operation in 3D LBP coding model is realized by introducing relaxation variables, which eliminates the influence of noise and the unevenness of reflection distribution of similar ground objects, and improves the robustness of 3D LBP coding features. The experimental results show that the spatial spectral feature extraction method based on 3D LBP coding can effectively utilize the context semantics of hyperspectral image space-spectrum structure and improve the performance of small sample classification. On the other hand, the features obtained by different three-dimensional space-spectrum feature extraction methods have different applicable characteristics. Specifically, 3D Gabor features are robust to illumination and shadow in images, and 3D morphological features can effectively capture the shape features of ground objects in images. The 3D local binary model has a better ability to represent the spatial features in the image. Because these three features represent the three different attributes of the hyperspectral images from the three aspects of illumination robustness, ground object shape and spatial relationship, there are differences and complementarities in their ability to distinguish ground objects in hyperspectral images. Based on this, a spatial feature classification method for hyperspectral remote sensing images based on sparse decision fusion is proposed. This method combines the advantages of the above three spatial spectral features by sparse representation and realizes the complementary advantages. The experimental results show that the 3D space-spectrum feature classification method based on sparse decision fusion can give full play to the advantages of the three space-spectrum features and further improve the classification performance of small samples of hyperspectral remote sensing images.
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫釗;高光譜遙感的應(yīng)用[J];貴州教育學(xué)院學(xué)報(bào)(自然科學(xué));2004年04期

2 杜培軍;陳云浩;;高光譜遙感信息智能處理的若干理論與技術(shù)問(wèn)題[J];科技導(dǎo)報(bào);2006年01期

3 孫琦;鄭小賢;劉東蘭;;高光譜遙感獲取伐區(qū)調(diào)查數(shù)據(jù)的應(yīng)用綜述[J];林業(yè)資源管理;2006年05期

4 潘偉;夏麗麗;;高光譜遙感分類(lèi)方法研究[J];福建電腦;2007年01期

5 張利;戚浩平;;高光譜遙感及其在青藏高原的應(yīng)用潛力分析[J];測(cè)繪科學(xué);2008年S3期

6 張利;戚浩平;;高光譜遙感及其在青藏高原的應(yīng)用潛力分析[J];測(cè)繪科學(xué);2008年S1期

7 岳躍民;王克林;張兵;陳正超;;高光譜遙感在生態(tài)系統(tǒng)研究中的應(yīng)用進(jìn)展[J];遙感技術(shù)與應(yīng)用;2008年04期

8 周磊;辛?xí)云?李剛;楊桂霞;張宏斌;;高光譜遙感在草原監(jiān)測(cè)中的應(yīng)用[J];草業(yè)科學(xué);2009年04期

9 方紅亮,田慶久;高光譜遙感在植被監(jiān)測(cè)中的研究綜述[J];遙感技術(shù)與應(yīng)用;1998年01期

10 王建宇;高光譜遙感──給人類(lèi)配上一副神眼[J];世界科學(xué);1999年12期

相關(guān)會(huì)議論文 前10條

1 張霞;劉良云;趙春江;張兵;;利用高光譜遙感圖像估算小麥氮含量研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2002年

2 杜培軍;陳云浩;;高光譜遙感信息智能處理的基礎(chǔ)研究[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

3 徐元進(jìn);胡光道;;取締閥值的高光譜遙感光譜匹配分類(lèi)信息制圖[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

4 張永強(qiáng);文麗萍;王振營(yíng);;高光譜遙感在監(jiān)測(cè)作物受病蟲(chóng)肥脅迫中的應(yīng)用[A];提高全民科學(xué)素質(zhì)、建設(shè)創(chuàng)新型國(guó)家——2006中國(guó)科協(xié)年會(huì)論文集（下冊(cè)）[C];2006年

5 王藝婷;黃世奇;王紅霞;;從信息的角度看高光譜遙感技術(shù)[A];國(guó)家安全地球物理叢書(shū)（九）——防災(zāi)減災(zāi)與國(guó)家安全[C];2013年

6 李京;蔣衛(wèi)國(guó);;高光譜遙感在濕地監(jiān)測(cè)與分類(lèi)中的應(yīng)用[A];第十屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年

7 房華樂(lè);任潤(rùn)東;蘇飛;梁勇;;高光譜遙感在農(nóng)業(yè)中的應(yīng)用[A];第四屆“測(cè)繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

8 黃娟;郭明克;張永梅;閆濤;王寧;;利用高光譜遙感資料提取赤潮信息方法研究[A];成像光譜技術(shù)與應(yīng)用研討會(huì)論文集[C];2002年

9 杜培軍;方濤;林卉;;高光譜遙感影像降維方法研究[A];第十四屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2003年

10 王新鴻;唐伶俐;馬靈玲;;高光譜遙感在內(nèi)陸水質(zhì)監(jiān)測(cè)中的應(yīng)用[A];現(xiàn)代測(cè)量技術(shù)與地理信息系統(tǒng)科技創(chuàng)新及產(chǎn)業(yè)發(fā)展研討會(huì)論文集[C];2009年

相關(guān)重要報(bào)紙文章 前4條

1 張學(xué)君;高光譜遙感技術(shù)助力覆蓋區(qū)找礦[N];中國(guó)國(guó)土資源報(bào);2011年

2 記者 金小平;中國(guó)地調(diào)局舉辦高光譜遙感找礦培訓(xùn)班[N];中國(guó)礦業(yè)報(bào);2007年

3 中國(guó)科學(xué)院院士、國(guó)際歐亞科學(xué)院院士 童慶禧;我國(guó)高光譜遙感的發(fā)展[N];中國(guó)測(cè)繪報(bào);2008年

4 文龍 胡軍;張立福：用光譜觀測(cè)大地的人[N];科技日?qǐng)?bào);2012年

相關(guān)博士學(xué)位論文 前10條

1 張海濤;基于興趣體保護(hù)的高光譜遙感圖像壓縮技術(shù)研究[D];遼寧工程技術(shù)大學(xué);2014年

2 王霄鵬;黃河三角洲濕地典型植被高光譜遙感研究[D];大連海事大學(xué);2014年

3 孫蕾;小波構(gòu)造理論及其在高光譜遙感圖像去噪與壓縮中的應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

4 譚炳香;高光譜遙感森林類(lèi)型識(shí)別及其郁閉度定量估測(cè)研究[D];中國(guó)林業(yè)科學(xué)研究院;2006年

5 田豐;全波段（0.35～25μm）高光譜遙感礦物識(shí)別和定量化反演技術(shù)研究[D];中國(guó)地質(zhì)大學(xué)（北京）;2010年

6 劉康;基于主動(dòng)學(xué)習(xí)的高光譜圖像分類(lèi)技術(shù)研究[D];中國(guó)礦業(yè)大學(xué)（北京）;2014年

7 劉偉東;高光譜遙感土壤信息提取與挖掘研究[D];中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所）;2002年

8 沈照慶;基于支持向量機(jī)（SVM）的高光譜影像智能化分析關(guān)鍵問(wèn)題研究[D];武漢大學(xué);2010年

9 馮燕;高光譜圖像壓縮技術(shù)研究[D];西北工業(yè)大學(xué);2006年

10 葉成名;基于高光譜遙感的青藏高原巖礦信息提取方法與應(yīng)用研究[D];成都理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 柳家福;基于GPU的礦產(chǎn)資源高光譜遙感探測(cè)數(shù)據(jù)快速處理[D];南京理工大學(xué);2015年

2 張小東;基于光譜解混的高光譜遙感烴弱信息提取[D];成都理工大學(xué);2015年

3 劉淼;不同營(yíng)養(yǎng)水平冬小麥長(zhǎng)勢(shì)高光譜遙感監(jiān)測(cè)[D];西北農(nóng)林科技大學(xué);2016年

4 牛璐璐;航空高光譜遙感影像自動(dòng)拼接技術(shù)研究[D];吉林大學(xué);2016年

5 丁小輝;基于蟻群算法的高光譜遙感影像地物分類(lèi)研究[D];中國(guó)科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所);2016年

6 顏丙囤;基于“星—地”遙感數(shù)據(jù)的植被參數(shù)反演模型研究與應(yīng)用[D];中國(guó)礦業(yè)大學(xué);2016年

7 湯媛媛;面向桌面系統(tǒng)的高光譜遙感影像線(xiàn)性降維異構(gòu)并行算法研究與實(shí)現(xiàn)[D];國(guó)防科學(xué)技術(shù)大學(xué);2015年

8 谷金平;基于云計(jì)算的高光譜遙感圖像檢索研究[D];南京理工大學(xué);2017年

9 胡杰;高光譜遙感影像三維空譜特征提取與小樣本分類(lèi)技術(shù)研究[D];深圳大學(xué);2017年

10 陳東來(lái);高光譜遙感場(chǎng)景成像模型研究[D];哈爾濱工業(yè)大學(xué);2009年

，

本文編號(hào)：2291394