【摘要】：隨著航天技術和傳感器技術的迅猛發(fā)展,衛(wèi)星遙感影像得到了廣泛的應用,尤其是高空間分辨率遙感影像已經成為了民用和軍用等方面必不可少的數據來源。目前,高分辨率遙感影像在眾多領域都得到了廣泛應用并取得了一定的應用成果,如城市規(guī)劃與環(huán)境監(jiān)測、自然災害監(jiān)測與應急處理、對地觀測系統(tǒng)、軍事監(jiān)控與偵查、土地利用及適應性評價等。高分辨率遙感影像中地物的空間信息較為完整、清晰,能夠為上述應用提供海量的數據信息。但是,其海量的數據信息、地物形狀、空間結構及復雜的結構特征給遙感數據的自動化、智能化處理帶來了新的挑戰(zhàn),傳統(tǒng)的遙感圖像處理技術已經遠遠不能滿足當前高分遙感影像的應用需求,因此,探求新的研究方法尤為重要。針對此問題,本文引入信號的稀疏表示理論,對稀疏表示理論與低秩表示理論進行了系統(tǒng)深入地研究和探討。本文的主要貢獻如下:(1)深入學習和探討稀疏表示理論,根據生物視覺的研究,對高分辨率影像的稀疏性進行了探究和討論,將稀疏表示理論應用到高空間分辨率遙感影像上,提出了基于稀疏表示的高分辨率遙感影像人工目標識別方法,并通過Uc Merced和Wh U兩個數據集的實驗驗證了所提出方法的有效性。(2)考慮遙感影像中云霧的干擾,導致圖像質量退化,影響后續(xù)圖像處理的應用效果。根據遙感圖像中被薄云污染的數據具有過度緩慢、分布均勻、空間紋理結構自相關性較強的特點,據此對薄云信息做出低秩性的假設。在此基礎上提出了一種基于低秩矩陣分解的遙感影像薄云去除方法,對受薄云污染的遙感影像進行了有效地去云預處理,為后續(xù)的目標識別做準備,實驗驗證了該方法的有效性。(3)綜合考慮人工目標的稀疏性和低秩性,聯(lián)合低秩矩陣分解理論,提出了一種新的目標識別方法,該方法首先通過對遙感圖像進行低秩矩陣分解,得到具有低秩性和稀疏性的兩部分信息,然后通過K-SVD算法分別對這兩部分信息進行字典學習,學習后將其聯(lián)合共同構建稀疏表示的過完備字典,最后通過稀疏表示的求解算法求解出待分類的目標在過完備字典上稀疏系數,并根據稀疏系數最大準則對目標進行分類識別。同理,在Uc Merced和Wh U兩個數據集上進行了相應的實驗,實驗結果顯示本文所提出方法的有效性。
[Abstract]:With the rapid development of space technology and sensor technology, satellite remote sensing image has been widely used, especially high spatial resolution remote sensing image has become a necessary data source for civil and military. At present, high resolution remote sensing images have been widely used in many fields, such as urban planning and environmental monitoring, natural disaster monitoring and emergency treatment, Earth observation system, military monitoring and reconnaissance. Land use and adaptability evaluation. The spatial information of ground objects in high resolution remote sensing images is relatively complete and clear, which can provide massive data information for the above applications. However, its massive data information, ground object shape, spatial structure and complex structural features bring new challenges to the automation and intelligent processing of remote sensing data. The traditional remote sensing image processing technology can not meet the needs of the application of high score remote sensing image. Therefore, it is very important to explore new research methods. To solve this problem, the sparse representation theory of signals is introduced in this paper, and the sparse representation theory and the low rank representation theory are systematically studied and discussed. The main contributions of this paper are as follows: (1) the sparse representation theory is deeply studied and discussed. According to the research of biological vision, the sparsity of high-resolution images is discussed. The sparse representation theory is applied to high spatial resolution remote sensing images, and a method of artificial target recognition for high resolution remote sensing images based on sparse representation is proposed. The validity of the proposed method is verified by the experiments of Uc Merced and Wh U data sets. (2) considering the cloud interference in remote sensing images, the image quality is degraded and the application effect of subsequent image processing is affected. According to the characteristics of the data contaminated by thin cloud in remote sensing images such as slow distribution uniform distribution and strong autocorrelation of spatial texture structure the assumption of low rank of thin cloud information is made. On this basis, a method of thin-cloud removal from remote sensing image based on low-rank matrix decomposition is proposed, and the cloud removal of remote sensing image contaminated by thin cloud is carried out effectively, so as to prepare for the subsequent target recognition. Experimental results show that the method is effective. (3) considering the sparsity and low rank of artificial targets, a new target recognition method is proposed by combining the theory of low rank matrix decomposition. In this method, two parts of information with low rank and sparsity are obtained by decomposing the low rank matrix of remote sensing image, and then the two parts of information are studied by K-SVD algorithm. After learning, the over-complete dictionary of sparse representation is constructed jointly. Finally, the sparse coefficients of the target to be classified in the over-complete dictionary are solved by the algorithm of sparse representation, and the targets are classified and identified according to the maximum criterion of sparse coefficient. In the same way, experiments are carried out on two data sets, Uc Merced and Wh U, and the experimental results show the effectiveness of the proposed method.
【學位授予單位】：云南師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標檢測[J];彈箭與制導學報;2013年04期

2 陳思寶;趙令;羅斌;;局部保持的稀疏表示字典學習[J];華南理工大學學報(自然科學版);2014年01期

3 鄭軼;蔡體健;;稀疏表示的人臉識別及其優(yōu)化算法[J];華東交通大學學報;2012年01期

4 段菲;章毓晉;;一種面向稀疏表示的最大間隔字典學習算法[J];清華大學學報(自然科學版);2012年04期

5 張佳宇;彭力;;基于聯(lián)合動態(tài)稀疏表示方法的多圖像人臉識別算法[J];江南大學學報(自然科學版);2014年03期

6 查長軍;孫南;張成;韋穗;;基于稀疏表示的特定目標識別[J];吉林大學學報(工學版);2013年01期

7 朱啟兵;楊寶;黃敏;;基于核映射稀疏表示分類的軸承故障診斷[J];振動與沖擊;2013年11期

8 王國權;張揚;李彥鋒;王麗芬;馬曉梅;;一種基于稀疏表示的圖像去噪算法[J];工業(yè)儀表與自動化裝置;2013年05期

9 耿耀君;張軍英;;一種基于投影稀疏表示的基因選擇方法[J];哈爾濱工程大學學報;2011年08期

10 翟懿奎;甘俊英;徐穎;曾軍英;;快速稀疏表示指背關節(jié)紋識別及其并行實現[J];吉林大學學報(工學版);2012年S1期

相關會議論文 前10條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運營與云計算——第十八屆全國青年通信學術年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

3 李艷芳;王生;;高分辨率遙感影像在公安行業(yè)的應用分析[A];第十七屆中國遙感大會摘要集[C];2010年

4 趙書河;王培法;肖鵬峰;馮學智;;高分辨率遙感應用研究[A];中國地理學會2006年學術年會論文摘要集[C];2006年

5 朱曉鈴;鄔群勇;;基于高分辨率遙感影像的城市道路提取方法研究[A];《測繪通報》測繪科學前沿技術論壇摘要集[C];2008年

6 張劍清;鄭順義;張勇;張宏偉;李治江;;高分辨率遙感影像的精糾正[A];第十四屆全國遙感技術學術交流會論文摘要集[C];2003年

7 馬力;;基于高分辨率遙感影像的導航數據更新研究[A];中國地理信息系統(tǒng)協(xié)會第四次會員代表大會暨第十一屆年會論文集[C];2007年

8 陳君穎;田慶久;;高分辨率遙感植被分類模式研究[A];第十五屆全國遙感技術學術交流會論文摘要集[C];2005年

9 燕琴;張繼賢;劉玉紅;錢廣軍;;以影像序列糾正高分辨率遙感影像的應用研究[A];全面建設小康社會：中國科技工作者的歷史責任——中國科協(xié)2003年學術年會論文集（上）[C];2003年

10 溫小歡;林廣發(fā);陳明華;陳友飛;;基于高分辨率遙感影像獨立樹冠提取方法之比較[A];中國地理學會百年慶典學術論文摘要集[C];2009年

相關重要報紙文章 前1條

1 本報記者 崔恩慧;如何“玩轉”高分辨率遙感技術?[N];中國航天報;2014年

相關博士學位論文 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學;2015年

2 王亞寧;基于信號稀疏表示的電機故障診斷研究[D];河北工業(yè)大學;2014年

3 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學;2015年

4 黃國華;蛋白質翻譯后修飾位點與藥物適應癥預測方法研究[D];上海大學;2015年

5 王瑾;基于稀疏表示的數據收集、復原與壓縮研究[D];北京工業(yè)大學;2015年

6 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學;2015年

7 解虎;高維小樣本陣列自適應信號處理方法研究[D];西安電子科技大學;2015年

8 秦振濤;基于稀疏表示及字典學習遙感圖像處理關鍵技術研究[D];成都理工大學;2015年

9 薛明;基于稀疏表示的在線目標跟蹤研究[D];上海交通大學;2014年

10 孫樂;空譜聯(lián)合先驗的高光譜圖像解混與分類方法[D];南京理工大學;2014年

相關碩士學位論文 前10條

1 何苗;基于稀疏表示的高分辨率遙感影像人工目標識別算法研究[D];云南師范大學;2017年

2 王道文;基于稀疏表示的目標跟蹤算法研究[D];華南理工大學;2015年

3 李哲;基于稀疏表示和LS-SVM的心電信號分類[D];河北大學;2015年

4 孫雪青;Shearlet變換和稀疏表示相結合的甲狀腺結節(jié)圖像融合[D];河北大學;2015年

5 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學;2015年

6 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學;2015年

7 黃志明;基于辨別式稀疏字典學習的視覺追蹤算法研究[D];華南理工大學;2015年

8 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學;2015年

9 賀妍斐;基于稀疏表示與自適應倒易晶胞的遙感圖像復原方法研究[D];南京信息工程大學;2015年

10 楊爍;電能質量擾動信號的稀疏表示/壓縮采樣研究[D];西南交通大學;2015年

，

本文編號：2331693