【摘要】：隨著遙感設備和技術的快速發(fā)展,我們可以通過多光譜/高光譜圖像和合成孔徑雷達來得到更多深入觀察地球的機會。遙感設備幫助我們捕捉到越來越多不同類型、不同分辨率(空間分辨率、光譜分辨率和時間分辨率)的機載或衛(wèi)星圖像。這些圖像的高維度成為甚高分辨率(Very High Resolution,VHR)場景分類的巨大挑戰(zhàn)之一,同時也要求采用更有效的方法來實現(xiàn)土地利用及覆蓋的圖像場景分類,這也是遙感圖像領域中最重要的任務之一。VHR圖像場景分類中最重要的一步是特征提取,它將圖像場景表示成特征向量的形式。根據(jù)像素級/圖像級的表示可以將已有的VHR圖像場景描述方法分成三類,這些方法都直接依賴于圖像場景的全局表示。本文我們關注于VHR圖像場景分類中的特征提取方法,提出能夠對VHR圖像場景中帶有不同幾何性質(zhì)的區(qū)域如機場、建筑、森林等進行準確分類的技術。目前已有若干應用與監(jiān)控人類活動下的自然環(huán)境密切相關,而VHR圖像則為他們提供了非常有用的信息。VHR圖像場景分類致力于提取能夠表示目標區(qū)域的特征,但與VHR圖像相關的大規(guī)模數(shù)據(jù)卻使得分類問題變得非常復雜,而目前可用的方法仍然不足以來分析這類遙感數(shù)據(jù)�；诖�,為了增強自動提取VHR圖像場景中有用特征的能力,本文的總體目標是提出創(chuàng)新的技術來對VHR圖像進行分析和分類。具體來講,本文主要考慮以下幾個問題:(1)如何從大量的VHR數(shù)據(jù)中得到優(yōu)異的特征表示,這對于VHR圖像場景分析而言仍然是一個重要的任務。為了提取更為有效魯棒的特征來對圖像場景進行分類,我們提出了一個基于稀疏手工特征選擇的VHR場景分類方法。首先,我們通過手工設計的方法從原始的VHR圖像中提取局部特征來構造一個視覺詞典。接著,稀疏主成分分析法(sparse Principal Component Analysis,s PCA)被用于從這個視覺詞典中學習對應于每一類的代表特征集合。最后,我們采用這些稀疏的低層特征來表示圖像場景。(2)針對VHR圖像分類任務,我們提出了一種稱為顯著塊采樣的方法。實際應用中,s PCA稀疏主成分分析法被用來為圖像場景表示選擇對應的顯著塊。這種方法在場景理解中是十分高效和魯棒的。(3)根據(jù)特定的語義類別集合來標注VHR圖像場景是一件十分重要的任務�？紤]到屬于同一類別的地表可能有著非常大的變化,且目標可能出現(xiàn)在不同的尺度和方向上,我們提出了一個基于CNN模型的VHR圖像語義分類方法。首先,我們采用在Image Net數(shù)據(jù)集上預訓練的VGG模型來對原始的VHR圖像提取特征。接著,VGG網(wǎng)絡的全連接層輸出將被聯(lián)合起來形成VHR圖像場景的最終表示。之后,我們采用基于判別相關分析的特征融合策略來對VGG網(wǎng)絡提取的原始特征進行優(yōu)化。相較于傳統(tǒng)的特征融合策略,這種融合方法效率更高。(4)盡管已經(jīng)存在一些工作利用深度特征來對VHR圖像場景進行表示,但是如何優(yōu)化從CNN模型到VHR圖像場景理解的遷移過程依然是一個十分具有挑戰(zhàn)性的問題。我們提出了一個簡單高效的方法來探索CNN網(wǎng)絡不同層的優(yōu)勢。為了表示VHR圖像內(nèi)容的語義和背景信息,我們采用CNN模型來從原始的VHR圖像場景中提取特征。接著,我們采用基于編碼的方法在CNN模型的卷積層特征上生成對應于輸入圖像的視覺單詞。我們對VHR圖像場景分類的相關文獻進行了深入的研究,并在2.1節(jié)就現(xiàn)有方法的局限性進行了說明。為了解決這些問題,我們提出了若干創(chuàng)新方法,并在真實遙感圖像上進行了實驗驗證。大量的實驗結果表明,本文所提出的方法在VHR圖像場景分類任務上是十分有效的。
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【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 陳輝;;淺議車牌識別中字符的特征提取方法[J];科技傳播;2009年05期

2 徐德友,胡壽松;利用粗集上近似處理特征提取中的噪聲問題[J];南京理工大學學報(自然科學版);2002年S1期

3 佟德純;王永興;;一種新的齒輪狀態(tài)的分類識別方法—CEP-AR特征提取與分類[J];振動與沖擊;1988年03期

4 羅斌;黃端旭;;皮膚癌表面圖象特征提取[J];安徽大學學報(自然科學版);1989年03期

5 王仁華;宋原章;;漢語孤立音節(jié)的分段研究[J];信號處理;1989年02期

6 楊小軍;;圖片特征提取[J];中小企業(yè)管理與科技(中旬刊);2017年03期

7 武弘;;六種常用的網(wǎng)絡流量特征提取工具[J];計算機與網(wǎng)絡;2017年06期

8 李晉徽;楊俊安;王一;;一種新的基于瓶頸深度信念網(wǎng)絡的特征提取方法及其在語種識別中的應用[J];計算機科學;2014年03期

9 唐朝霞;;一種基于特征提取的簡答題閱卷算法[J];湖南工程學院學報(自然科學版);2010年01期

10 曹國輝;;車輛特征提取方法綜述[J];中國水運(理論版);2006年03期

相關會議論文 前10條

1 王紀凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學習方法[A];第17屆中國系統(tǒng)仿真技術及其應用學術年會論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應用學術會議專刊[C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無聲語音接口的超聲圖像的混合特征提取[A];第十三屆全國人機語音通訊學術會議(NCMMSC2015)論文集[C];2015年

5 徐繼偉;李建中;柳勃;楊昆;;使用支持向量機和改進特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

6 劉德剛;邵國凡;;高維遙感數(shù)據(jù)分析的特征提取方法[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術年會文集[C];2000年

7 許強;楊佳;;基于線性加權的免疫克隆算法的手指靜脈特征提取[A];中國自動化學會控制理論專業(yè)委員會B卷[C];2011年

8 高學;金連文;尹俊勛;;基于筆劃密度的彈性網(wǎng)格特征提取方法[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

9 白真龍;霍強;;在聯(lián)機手寫中文識別中一種針對8方向特征提取的改進算法[A];中文信息處理前沿進展——中國中文信息學會二十五周年學術會議論文集[C];2006年

10 杜栓平;丁烽;楊華;;基于小波系數(shù)聚類的特征提取器[A];中國聲學學會2002年全國聲學學術會議論文集[C];2002年

相關重要報紙文章 前3條

1 宇航智控;預測與健康管理(PHM)技術[N];中國航空報;2018年

2 記者 賈玎玎;北京紡控主營業(yè)務收入增長11.39%[N];首都建設報;2015年

3 中國信息通信研究院泰爾終端實驗室 曾晨曦 段虎才;深度學習框架的前世今生[N];人民郵電;2018年

相關博士學位論文 前10條

1 蘇雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率圖像場景分類的特征提取與選擇研究[D];哈爾濱工業(yè)大學;2018年

2 溫柳英;多模態(tài)數(shù)據(jù)特征提取的粒計算方法研究與應用[D];西南石油大學;2017年

3 李文娟;基于局部特征提取的人臉識別方法研究[D];天津大學;2017年

4 王振宇;面向人臉識別的特征提取技術應用研究[D];東南大學;2016年

5 馬麗紅;復雜背景下人臉的定位和特征提取[D];華南理工大學;1999年

6 謝平;故障診斷中信息熵特征提取及融合方法研究[D];燕山大學;2006年

7 張紹武;基于支持向量機的蛋白質(zhì)分類研究[D];西北工業(yè)大學;2004年

8 李建生;圖像元數(shù)據(jù)特征提取及其在檢索中的應用[D];南京師范大學;2006年

9 劉靖;基于視覺特征提取和核判決分析方法的人臉識別[D];四川大學;2006年

10 鄭宇杰;特征提取方法及其應用研究[D];南京理工大學;2007年

相關碩士學位論文 前10條

1 祖穎;基于特征提取的聚類方法研究及其實現(xiàn)[D];江南大學;2018年

2 孫漢林;基于同時進行目標檢測與特征提取的深度學習網(wǎng)絡的在線多目標行人跟蹤[D];浙江大學;2018年

3 張翔;基于分布式計算的脈沖星搜索加速及脈沖星候選體特征提取和識別方法研究與實現(xiàn)[D];貴州師范大學;2018年

4 張云彥;現(xiàn)代審美下的唐韻特征提取與可視化研究[D];陜西科技大學;2018年

5 張猛;面向圖像分類的CNN特征提取和結構優(yōu)化[D];新疆大學;2018年

6 冉祥鋒;變工況下風電機組齒輪箱故障特征提取及診斷方法研究[D];新疆大學;2018年

7 呂世鵬;基于集合經(jīng)驗模態(tài)分解的轉子故障特征提取和分類識別[D];新疆大學;2018年

8 徐志寬;基于LMD方法的變形數(shù)據(jù)特征提取與多尺度變形預測研究[D];東華理工大學;2018年

9 張曉鋒;卷積深度置信網(wǎng)絡在文本識別中的應用研究[D];西安理工大學;2018年

10 方宗;基于深度學習和演化策略的3D藝術創(chuàng)作研究[D];湖北工業(yè)大學;2018年

，

本文編號：2702292