【摘要】：Landsat衛(wèi)星遙感圖像在環(huán)境監(jiān)測、資源勘查、災害分析、林業(yè)調查、農業(yè)生產等領域都有著廣泛的應用。首先,如果觀測區(qū)域有被云層覆蓋,這樣就影響了對圖像的準確判讀;其次,通過云檢測將圖像有云區(qū)域的無用數據剔除,可以大大提高衛(wèi)星數據回傳地面的帶寬利用率。因此對Landsat圖像進行準確的云檢測具有非常重要的意義。本文先分別研究并實現(xiàn)了Gabor小波和卷積神經網絡在Landsat圖像云檢測中的應用,然后融合Gabor小波和卷積神經網絡提取的Landsat圖像特征,并引入KECA算法對融合后的云圖特征進行降維,完成了降維前后的云檢測實驗及對比分析。本文的創(chuàng)新之處在于:提出了基于卷積神經網絡的Landsat圖像云檢測算法,實驗結果表明了本文算法在檢測精度上的優(yōu)勢;提出了將Gabor小波與卷積神經網絡提取的云圖特征進行融合用于云檢測,并引入KECA降維算法,有效提高了云檢測的精度并降低了算法的時間復雜度。本文的主要研究內容如下:(1)研究了基于Gabor與SVM的Landsat圖像云檢測算法。在分析Gabor小波算法原理和Landsat圖像特點的基礎上,通過設置不同方向及尺度的Gabor濾波器提取了Landsat樣本圖像的160維特征;針對SVM運算量較大的問題,引入了LSSVM分類器對提取的特征進行分類檢測,完成了Landsat圖像的云檢測實驗。最后通過實驗對比結果驗證了本文算法的可行性。(2)研究并提出了一種基于卷積神經網絡的Landsat圖像云檢測算法。在分析了卷積神經網絡模型原理及求解的基礎上,通過云檢測實驗完成了卷積神經網絡中激活函數,網絡層數,卷積核個數以及感受野大小的選取,構建了基于卷積神經網絡的云檢測模型,設計了本文基于卷積神經網絡的云檢測實現(xiàn)過程。最后通過實驗結果驗證了本文基于卷積神經網絡云檢測算法的有效性。(3)為了進一步提高云檢測效果,在前面的研究基礎上,提出了將Gabor小波與卷積神經網絡提取的云圖特征相結合的云檢測算法。通過串行組合將兩者提取的特征融合成一個無損的新特征向量,并用LSSVM對融合后的特征進行分類,完成了特征融合后的云檢測實驗。之后又引入KECA算法對融合后的特征向量進行了降維優(yōu)化,并用LSSVM對降維后的圖像特征進行分類檢測。實驗對比結果表明本文算法可以有效提高云檢測精度并降低算法的時間復雜度。
【圖文】：

確保了對全球范圍內的長期連續(xù)觀測，這顆衛(wèi)星上搭載了制圖儀（Enhanced Thematic Mapper，ETM+），這個傳感器通過式來獲取圖像數據，衛(wèi)星的獲取圖像的波段數和空間分辨率相比較大的提升。2003 年 5 月，Landsat7 ETM+ 機載掃描行inesCorrector，簡稱 SLC) 突然發(fā)生故障，造成這個時間之后 Land據出現(xiàn)異常，，需要通過 SLC-off 模型進行校正。13 年，美國成功發(fā)射了第四代陸地衛(wèi)星 Landsat-8，為 Landsat 系新鮮血液。衛(wèi)星搭載了陸地成像儀（Operational Land Imager，OL感器（Thermal Infrared Sensor，TIRS）。其中 OLI 成像儀包括了傳感器的所有波段，主要變化是新增了兩個波段：氣溶膠波段(b0.453 μm)，可以用來觀測海岸，短波紅外波段(band 9；1.360 1.390進行云檢測。Landsat-8 由于其圖像數據質量比較高，并且和上一保存了連續(xù)性，從發(fā)射至今，已經成為了中國衛(wèi)星遙感地面站的[28]。

下墊面分類特征空間，把待識別的點和特征空間中的點一一映射云與下墊面特征屬性的差異，通過分類器對特征空間進行劃分，目標點的相對位置來進行對象的分類與識別，圖 1-2 中 x(1)和 x(2)。
【學位授予單位】：武漢理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 柳欣;耿佳佳;鐘必能;杜吉祥;;多生物特征融合發(fā)展現(xiàn)狀及其展望[J];小型微型計算機系統(tǒng);2017年08期

2 孫興華,郭麗,王正群,楊靜宇;商標圖像檢索中子圖像特征融合準則研究[J];南京理工大學學報(自然科學版);2002年05期

3 宋衛(wèi)華;;基于多級別特征融合的醫(yī)學圖像檢索技術[J];南華大學學報(自然科學版);2014年02期

4 武冰;周石琳;林勇強;商亞新;;特征融合的多時相遙感圖像道路提取方法[J];微計算機信息;2007年36期

5 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質特征融合分類算法[J];電子技術與軟件工程;2013年02期

6 種衍杰;方琰;沙濤;;基于特征融合網絡的行人重識別[J];計算機系統(tǒng)應用;2019年01期

7 楊亞龍;汪明月;方潛生;;基于圖像與生理參數特征融合的情感識別方法研究[J];合肥工業(yè)大學學報(自然科學版);2017年06期

8 林勁;;基于典型相關分析的水聲特征融合方法研究[J];中國科技信息;2014年01期

9 何冉;陳自力;劉建軍;高喜俊;;特征融合與尺度自適應的核相關濾波目標跟蹤[J];計算機工程與設計;2019年06期

10 鐘國崇;儲s

本文編號：2587605