本文關(guān)鍵詞：基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息技術(shù)和對(duì)地觀測(cè)技術(shù)的迅速發(fā)展,遙感技術(shù)在社會(huì)生活和經(jīng)濟(jì)建設(shè)中發(fā)揮著越來越重要的作用。目前,遙感技術(shù)已經(jīng)廣泛應(yīng)用于環(huán)境保護(hù)、地質(zhì)找礦、國土資源調(diào)查、城市規(guī)劃監(jiān)測(cè)、林業(yè)和農(nóng)業(yè)普查、軍事解譯等領(lǐng)域。隨著人工智能和高分辨率遙感技術(shù)的發(fā)展,特別是遙感圖像的空間分辨率,波譜分辨率的逐步提高,直接導(dǎo)致圖像數(shù)據(jù)量數(shù)量級(jí)增長(zhǎng),對(duì)數(shù)據(jù)傳輸與處理提出更高的要求,遙感圖像處理技術(shù)在理論上、技術(shù)上和應(yīng)用上發(fā)生了重大變化,傳統(tǒng)的遙感圖像的處理方法已經(jīng)很難滿足當(dāng)前遙感應(yīng)用的需求。伴隨著遙感技術(shù)的飛速發(fā)展,機(jī)器視覺領(lǐng)域的理論和方法研究也在飛速進(jìn)步,近幾年,稀疏表示和壓縮感知理論已經(jīng)成功應(yīng)用于圖像處理,網(wǎng)絡(luò)工程,醫(yī)學(xué)及遙感軍事等領(lǐng)域并取得了巨大的成功。本文針對(duì)遙感圖像的特征及其應(yīng)用背景,將傳統(tǒng)的遙感圖像處理技術(shù)與計(jì)算機(jī)視覺處理的理論相結(jié)合,研究了基于稀疏表示及字典學(xué)習(xí)的遙感圖像處理技術(shù)理論及典型應(yīng)用。稀疏表示和字典學(xué)習(xí)的基本原理是利用超完備字典中的冗余基取代正交基,對(duì)字典的選擇盡可能的包含分解遙感圖像信號(hào)的信息。將該方法應(yīng)用于遙感圖像的處理,能夠降低構(gòu)建傳感器所需的昂貴的代價(jià),降低傳感器與地面接收器之間的傳輸代價(jià),且能夠?qū)鞲衅鞯挠?jì)算開銷轉(zhuǎn)移到地面計(jì)算機(jī)。本文提出的方法能充分挖掘遙感圖像的應(yīng)用潛力,為各類應(yīng)用提供借鑒。論文的主要成果及創(chuàng)新點(diǎn)如下:1通過探究稀疏表示及字典學(xué)習(xí)的相關(guān)理論及應(yīng)用成果,分析了基于稀疏表示及字典學(xué)習(xí)的遙感圖像處理原理,通過零空間屬性、有限等距性及邊界約束等分析了如何構(gòu)造感知矩陣;通過實(shí)例說明稀疏恢復(fù)的保證。2綜述了稀疏表示信號(hào)1?最小恢復(fù)原理,稀疏恢復(fù)算法,重點(diǎn)研究了字典學(xué)習(xí)算法的原理與方法,根據(jù)多光譜和高光譜遙感圖像的結(jié)構(gòu)特點(diǎn),構(gòu)建了多光譜遙感圖像和高光譜遙感圖像的字典學(xué)習(xí)模型和算法。3結(jié)合計(jì)算機(jī)視覺領(lǐng)域的研究成果,提出三種遙感圖像的去噪算法�；趶V義高模型的局部自適應(yīng)遙感圖像去噪算法、基于稀疏表示和自適應(yīng)字典學(xué)習(xí)的遙感圖像去噪算法及基于聚類的組稀疏字典學(xué)習(xí)多光譜遙感圖像去噪算法。通過與同類算法相比,均能取得較好的去噪效果。4在前人工作的基礎(chǔ)上,提出了兩種基于稀疏表示遙感圖像超分辨率重建算法。通過對(duì)遙感圖像進(jìn)行分塊,利用K-SVD算法對(duì)高分辨率遙感圖像庫或者遙感圖像自身進(jìn)行字典學(xué)習(xí),獲得能夠稀疏表示高分辨率遙感圖像的字典,通過特征提取、獨(dú)立成分分析降維、高分辨率遙感圖像的重建等操作后實(shí)現(xiàn)了對(duì)遙感圖像超分辨率的重建,該方法提高了圖像的峰值性噪比,通過實(shí)驗(yàn)驗(yàn)證了算法高效性。5提出了基于結(jié)構(gòu)性稀疏表示和字典學(xué)習(xí)的高光譜遙感圖像分類方法。通過深入挖掘高光譜遙感圖像的空間關(guān)系及光譜關(guān)系,提出了一種新的結(jié)構(gòu)性高光譜遙感圖像的稀疏表示及字典學(xué)習(xí)方法,基于聚類的字典學(xué)習(xí)方法,使用線性SVM作為分類器,完成了對(duì)高光譜遙感圖像的分類,通過實(shí)驗(yàn)驗(yàn)證了算法的有效性。通過對(duì)遙感圖像進(jìn)行聚類,提出了一種新的結(jié)構(gòu)性高光譜遙感圖像的稀疏表示及字典學(xué)習(xí)方法,該方法通過同時(shí)利用高光譜遙感圖像像素間的空間關(guān)系及光譜信息進(jìn)行聚類,被聚類為同一組的像素具有相同的字典,通過學(xué)習(xí)得到能表示高一組像素的字典,然后根據(jù)學(xué)習(xí)字典計(jì)算圖像的稀疏系數(shù),從而獲得遙感圖像的稀疏表示特征�；谙∈璞硎炯白值鋵W(xué)習(xí)的理論在遙感圖像處理領(lǐng)域具有非常好的前景和發(fā)展。本文對(duì)稀疏表示及字典學(xué)習(xí)的理論及在遙感圖像處理領(lǐng)域的應(yīng)用做了一定的探索。由于稀疏表示及字典學(xué)習(xí)的理論近年來才興起,在遙感圖像處理領(lǐng)域的研究也剛剛開始,基于稀疏表示及字典學(xué)習(xí)的遙感圖像處理研究仍有巨大的潛力。
【關(guān)鍵詞】：稀疏表示 字典學(xué)習(xí) 遙感圖像 去噪 超分辨率重建 分類
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：P237;TP751
【目錄】：

• 摘要4-6
• Abstract6-12
• 第1章 緒論12-25
• 1.1 稀疏表示及字典學(xué)習(xí)的研究背景及意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-22
• 1.2.1 稀疏表示及字典學(xué)習(xí)14-17
• 1.2.2 稀疏表示及字典學(xué)習(xí)的應(yīng)用17-19
• 1.2.3 遙感圖像處理19-22
• 1.3 本文的主要研究工作22-25
• 1.3.1 研究的內(nèi)容22
• 1.3.2 研究的思路22-23
• 1.3.3 論文結(jié)構(gòu)23-25
• 第2章 稀疏表示及字典學(xué)習(xí)的原理及解的保證25-39
• 2.1 稀疏表示及字典學(xué)習(xí)問題模型25-31
• 2.1.1 吉洪諾夫（Tikhonov）正則化25-26
• 2.1.2 線性回歸26-27
• 2.1.3 稀疏表示模型27-31
• 2.2 零空間31-33
• 2.2.1 spark32
• 2.2.2 零空間屬性32-33
• 2.3 有限等距性33-35
• 2.3.1 有限等距性的穩(wěn)定性34-35
• 2.3.2 測(cè)量的約束35
• 2.4 構(gòu)造滿足RIP的矩陣35-37
• 2.5 相關(guān)性分析37-38
• 2.6 本章小結(jié)38-39
• 第3章 稀疏表示信號(hào)恢復(fù)及字典學(xué)習(xí)算法39-64
• 3.1 稀疏表示和字典學(xué)習(xí)的關(guān)系39-40
• 3.2 稀疏信號(hào)的1l最小恢復(fù)40-41
• 3.3 稀疏恢復(fù)算法41-50
• 3.3.1 凸優(yōu)化算法42-44
• 3.3.2 貪婪算法44-48
• 3.3.3 貝葉斯方法48-50
• 3.4 字典學(xué)習(xí)算法50-57
• 3.4.1 字典學(xué)習(xí)的基本原理50-51
• 3.4.2 MOD和ILS-DLA51-52
• 3.4.3 K-SVD算法52-53
• 3.4.4 在線字典學(xué)習(xí)算法53-56
• 3.4.5 遞歸最小二乘法字典學(xué)習(xí)算法56-57
• 3.5 遙感圖像的字典學(xué)習(xí)算法57-63
• 3.5.1 多光譜遙感圖像的字典學(xué)習(xí)算法58-62
• 3.5.2 高光譜遙感圖像的字典學(xué)習(xí)算法62-63
• 3.6 本章小結(jié)63-64
• 第4章 基于稀疏表示及字典學(xué)習(xí)的遙感圖像去噪64-83
• 4.1 基于廣義高斯模型的局部自適應(yīng)遙感圖像去噪64-71
• 4.1.1 小波變換原理64-66
• 4.1.2 基于廣義高斯模型的最大后驗(yàn)概率估計(jì)66-69
• 4.1.3 算法設(shè)計(jì)69
• 4.1.4 本文對(duì)算法的改進(jìn)69-70
• 4.1.5 仿真實(shí)驗(yàn)70-71
• 4.1.6 基于廣義高斯模型的局部自適應(yīng)遙感圖像去噪總結(jié)71
• 4.2 基于稀疏表示和自適應(yīng)字典學(xué)習(xí)的遙感圖像去噪71-77
• 4.2.1 基于壓縮感知和字典學(xué)習(xí)算法的遙感圖像去噪71-73
• 4.2.2 字典學(xué)習(xí)算法73-74
• 4.2.3 算法分析74-75
• 4.2.4 模擬實(shí)驗(yàn)75-77
• 4.2.5 小結(jié)77
• 4.3 基于聚類的組稀疏字典學(xué)習(xí)多光譜遙感圖像去噪算法77-82
• 4.3.1 算法的基本模型78-79
• 4.3.2 模型的擴(kuò)展79
• 4.3.3 模型的求解算法79-80
• 4.3.4 實(shí)驗(yàn)結(jié)論80-82
• 4.3.5 小結(jié)82
• 4.4 本章小結(jié)82-83
• 第5章 基于稀疏表示及字典學(xué)習(xí)遙感圖像超分辨率重建算法研究83-95
• 5.1 基于壓縮感知的超分辨遙感圖像概述83-84
• 5.2 基于壓縮感知的超分辨遙感圖像重建模型84-88
• 5.2.1 基于壓縮感知的超分圖像重建原理84-85
• 5.2.2 基于案例塊的字典學(xué)習(xí)85
• 5.2.3 實(shí)驗(yàn)驗(yàn)證85-88
• 5.2.4 小結(jié)88
• 5.3 基于遙感圖像自學(xué)習(xí)的遙感圖像超分重建88-94
• 5.3.1 自學(xué)習(xí)遙感圖像超分重建原理89-90
• 5.3.2 自學(xué)習(xí)遙感圖像超分重建方法90-92
• 5.3.3 實(shí)驗(yàn)驗(yàn)證92-94
• 5.3.4 結(jié)論和討論94
• 5.4 本章小結(jié)94-95
• 第6章 基于結(jié)構(gòu)性稀疏表示及字典學(xué)習(xí)的高光譜遙感圖像分類95-105
• 6.1 結(jié)構(gòu)性稀疏表示和字典學(xué)習(xí)的高光譜遙感圖像分類95-100
• 6.1.1 基于高光譜的字典學(xué)習(xí)模型95-96
• 6.1.2 算法96-97
• 6.1.3 仿真及分析97-100
• 6.2 基于聚類的稀疏表示和字典學(xué)習(xí)的高光譜遙感圖像分類100-104
• 6.2.1 基于聚類的稀疏表示和字典學(xué)習(xí)的高光譜遙感圖像分類的基本原理100-101
• 6.2.2 仿真及分析101-104
• 6.3 本章小結(jié)104-105
• 總結(jié)與討論105-108
• （一）主要研究成果及創(chuàng)新點(diǎn)如下：105-107
• （二）存在的問題與展望107-108
• 致謝108-109
• 參考文獻(xiàn)109-119
• 攻讀學(xué)位期間取得學(xué)術(shù)成果119

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前6條

1 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進(jìn)展[J];光學(xué)技術(shù);2004年03期

2 鄒建成;李建偉;;基于冗余字典的一種新的數(shù)字圖像水印算法[J];北方工業(yè)大學(xué)學(xué)報(bào);2012年03期

3 趙春霞,錢樂祥;遙感影像監(jiān)督分類與非監(jiān)督分類的比較[J];河南大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年03期

4 李展;張慶豐;孟小華;梁鵬;劉玉葆;;多分辨率圖像序列的超分辨率重建[J];自動(dòng)化學(xué)報(bào);2012年11期

5 祝麗萍;陳琳;岳華;;金融數(shù)學(xué)模型及其非參數(shù)估計(jì)問題[J];山西財(cái)經(jīng)大學(xué)學(xué)報(bào)(高等教育版);2008年S1期

6 劉丹華;石光明;周佳社;;一種冗余字典下的信號(hào)稀疏分解新方法[J];西安電子科技大學(xué)學(xué)報(bào);2008年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 周建;基于字典學(xué)習(xí)的機(jī)織物瑕疵自動(dòng)檢測(cè)研究[D];東華大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 李奎;判別字典學(xué)習(xí)及人臉識(shí)別[D];西安電子科技大學(xué);2014年

  本文關(guān)鍵詞：基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：373719