高光谱影像图谱信息目标检测研究

高光谱影像图谱信息目标检测研究

论文摘要

在模式识别领域中,基于图像的目标检测与识别始终是最具有实用价值和重要意义的研究方向之一,特别是在航空航天领域,它已经成为了卫星导航定位的一项关键技术。但目前该技术依然存在两个缺陷,导致其还难以满足实际的要求:(1)在基于模板匹配的目标检测技术中,要求目标与预先给定的参考模板基本一致,但是在实际情况中,目标的角度、尺度甚至是灰度分布可能发生很大变化;(2)在基于光谱匹配的目标检测技术中,由于地物固有的光谱不确定性,会导致结果出现很大偏差。本文主要针对上述两个问题进行了研究。针对模板相关匹配算法在实时图发生大角度旋转和大比例尺度变化时,定位结果可能会发生偏差的问题,本文提出了一种基于对数极坐标变换的模板匹配改进方法。方法的基本思想是:首先通过对数极坐标变换,获得目标的可信赖区域,并将其作为新的模板图;其次,利用对数极坐标变换能将尺寸和旋转变化为位移的特性,估计模板对数极坐标图相对于实时目标图的偏移量,从而对模板图进行校正。最后,利用校正后的模板图对实时图遍历匹配求得目标的位置。所提方法对于存在旋转、尺度、平移变化的目标能够自动地检测和识别定位。高光谱图像由于具有图谱合一的特性,为遥感探测提供了崭新的手段。但在实际情形中,由于大气、传感器、地理位置等因素加之地物本身的复杂性的影响,会使得地物的光谱曲线会发生变异,产生不确定性,从而导致“同物异谱”和“异物同谱”的发生,这对利用光谱匹配进行地物识别带来困难。对此,本文基于地物目标的光谱不确定性的考虑,提出了一种基于光谱不确定性的目标检测算法。首先对上述因素产生的光谱不确定性进行分析,获知地物的不确定性及其定量指标,即不确定度;进而将不确定度引入到光谱检测的算法中,以期提升传统光谱识别算法的性能。实验结果验证了所提方法的有效性。

论文目录

  • 摘要
  • ABSTRACT
  • 1 引言
  • 1.1 概述
  • 1.2 研究现状和发展趋势
  • 1.3 论文的研究内容
  • 2 基于高光谱图像的目标检测
  • 2.1 高光谱图像的分析方法
  • 2.2 小结
  • 3 基于对数极坐标的图像维目标检测算法
  • 3.1 引言
  • 3.2 基于对数极坐标变换的目标检测算法
  • 3.3 基于对数极坐标的目标检测的改进算法
  • 3.4 实验与分析
  • 3.5 小结
  • 4 基于光谱不确定性的光谱维目标检测算法
  • 4.1 引言
  • 4.2 光谱不确定性概念及其形成机理
  • 4.3 光谱不确定性度量
  • 4.4 基于光谱不确定性的目标检测算法
  • 4.5 实验与分析
  • 4.6 小结
  • 5 结论与展望
  • 致谢
  • 参考文献
  • 附录:攻读学位期间发表的论文
  • 相关论文文献

    • [1].基于Network In Network网络结构的高光谱影像分类方法[J]. 测绘科学技术学报 2019(05)
    • [2].面向高光谱影像分类的生成式对抗网络[J]. 测绘通报 2020(03)
    • [3].采用双通道时间稠密网络的高光谱影像分类方法[J]. 西安交通大学学报 2020(04)
    • [4].基于波段加权K均值聚类的高光谱影像分类[J]. 无线电工程 2020(11)
    • [5].主动学习与图的半监督相结合的高光谱影像分类[J]. 测绘学报 2015(08)
    • [6].基于流形光谱降维和深度学习的高光谱影像分类[J]. 农业工程学报 2020(06)
    • [7].利用多属性剖面概率融合的高光谱影像分类[J]. 遥感信息 2019(02)
    • [8].基于聚类降维和视觉注意机制的高光谱影像分类[J]. 激光与光电子学进展 2019(21)
    • [9].基于波段指数的高光谱影像波段选择算法[J]. 激光技术 2017(04)
    • [10].基于主动深度学习的高光谱影像分类[J]. 计算机工程与应用 2017(17)
    • [11].谐波分析光谱角制图高光谱影像分类[J]. 中国图象图形学报 2015(06)
    • [12].半监督邻域保持嵌入在高光谱影像分类中的应用[J]. 计算机科学 2014(S1)
    • [13].基于随机矩阵的高光谱影像非负稀疏表达分类[J]. 同济大学学报(自然科学版) 2013(08)
    • [14].低通滤波器在高光谱影像分类中的应用[J]. 海洋测绘 2011(05)
    • [15].基于高光谱影像多维特征的植被精细分类[J]. 大气与环境光学学报 2020(02)
    • [16].空-谱融合的条件随机场高光谱影像分类方法[J]. 测绘学报 2020(03)
    • [17].融合低秩和形态学的高光谱影像特征提取[J]. 南京师范大学学报(工程技术版) 2020(02)
    • [18].引导滤波联合局部判别嵌入的高光谱影像分类[J]. 吉林大学学报(地球科学版) 2020(04)
    • [19].基于三维空洞卷积残差神经网络的高光谱影像分类方法[J]. 光学学报 2020(16)
    • [20].高光谱影像多类型复合噪声分析的低秩稀疏方法研究[J]. 地理与地理信息科学 2019(02)
    • [21].基于主动学习和空间约束的高光谱影像分类[J]. 测绘与空间地理信息 2018(08)
    • [22].高光谱影像的谐波分析融合算法研究[J]. 中国矿业大学学报 2014(03)
    • [23].一种改进的邻域保持嵌入高光谱影像分类方法[J]. 光电工程 2014(09)
    • [24].高光谱影像库的数据存取技术研究[J]. 计算机工程 2012(16)
    • [25].矢量量化压缩算法在高光谱影像上的研究实现[J]. 计算机工程与应用 2008(34)
    • [26].基于卷积神经网络和光谱敏感度的高光谱影像分类方法(英文)[J]. Journal of Zhejiang University-Science A(Applied Physics & Engineering) 2020(03)
    • [27].基于深度信念网络的高光谱影像森林类型识别[J]. 计算机系统应用 2020(04)
    • [28].联合空-谱信息的高光谱影像深度三维卷积网络分类[J]. 测绘学报 2019(01)
    • [29].最速上升关联向量机高光谱影像分类[J]. 光学精密工程 2012(06)
    • [30].一种基于无人机高光谱影像的土壤墒情检测新方法[J]. 光谱学与光谱分析 2020(02)

    标签:;  ;  ;  ;  ;  

    高光谱影像图谱信息目标检测研究
    下载Doc文档

    猜你喜欢